#{r setup, include=FALSE} #knitr::opts_chunk$set(echo = TRUE) #

1. Load Packages/Library

# masukkan semua library yang dibutuhkan disini atau bertambah sesuai dengan kebutuhan, misalnya
library(dplyr) #library digunakan untuk manipulasi data
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(ggplot2) #library digunakan untuk visualiasi data
library(lubridate) #library digunakan untuk mengatur dan mengubah data berbentuk tanggal
## 
## Attaching package: 'lubridate'
## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union
library(tidyverse) #library digunakan untuk membantu kegiatan data analysis, dimana didalamnya juga termasuk library dplyr dan ggplot2 
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0     ✔ stringr 1.5.0
## ✔ purrr   1.0.1     ✔ tibble  3.2.1
## ✔ readr   2.1.4     ✔ tidyr   1.3.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(tseries) #library untuk membantu kegiatan analysis untuk data yang bersifat time series 
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
# library untuk membagi dataset
library(caret)
## Loading required package: lattice
## 
## Attaching package: 'caret'
## 
## The following object is masked from 'package:purrr':
## 
##     lift
# library untuk model SARIMA
library (forecast)
#library yang membantu dalam kegiatan deskripsi statistik
library (descr)
#library yang membantu pengecekan model regresi linear
library(lmtest)
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## 
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

2. Obtain Data

Data.SPKU <- read.csv("C:/Users/suria/Downloads/Tugas Akhir/Bab 3/Data SPKU.csv")

Kita akan menggunakan perintah read.csv untuk mengimport dataset yang akan digunakan dalam penelitian nantinya

3. Scrub Data

a. Melihat Summary data

# your code
glimpse(Data.SPKU)
## Rows: 10,960
## Columns: 10
## $ Tanggal  <chr> "1/1/2016", "1/2/2016", "1/3/2016", "1/4/2016", "1/5/2016", "…
## $ Stasiun  <chr> "DKI1 (Bunderan HI)", "DKI1 (Bunderan HI)", "DKI1 (Bunderan H…
## $ pm10     <chr> "59", "52", "44", "58", "70", "69", "58", "46", "51", "59", "…
## $ so2      <chr> "19", "19", "19", "21", "19", "19", "19", "24", "32", "39", "…
## $ co       <chr> "27", "---", "---", "---", "---", "---", "---", "---", "---",…
## $ o3       <chr> "31", "33", "36", "46", "41", "19", "25", "---", "---", "43",…
## $ no2      <chr> "1", "2", "2", "5", "4", "4", "3", "3", "2", "3", "3", "4", "…
## $ Max      <int> 59, 52, 44, 58, 70, 69, 58, 46, 51, 59, 66, 60, 60, 51, 53, 9…
## $ Critical <chr> "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10…
## $ Kategori <chr> "SEDANG", "SEDANG", "BAIK", "SEDANG", "SEDANG", "SEDANG", "SE…

Dengan menggunakan perintah glimpse kita dapat melihat bahwa pada dataset ISPU masih memiliki data kosong(missing value) serta tipe data yang juga salah pada variabel tanggal serta beberapa variabel lainnya

b. Mengubah tipe data variabel

Data.SPKU <- Data.SPKU %>%
  mutate(Tanggal = lubridate::mdy(Tanggal))

glimpse(Data.SPKU)
## Rows: 10,960
## Columns: 10
## $ Tanggal  <date> 2016-01-01, 2016-01-02, 2016-01-03, 2016-01-04, 2016-01-05, …
## $ Stasiun  <chr> "DKI1 (Bunderan HI)", "DKI1 (Bunderan HI)", "DKI1 (Bunderan H…
## $ pm10     <chr> "59", "52", "44", "58", "70", "69", "58", "46", "51", "59", "…
## $ so2      <chr> "19", "19", "19", "21", "19", "19", "19", "24", "32", "39", "…
## $ co       <chr> "27", "---", "---", "---", "---", "---", "---", "---", "---",…
## $ o3       <chr> "31", "33", "36", "46", "41", "19", "25", "---", "---", "43",…
## $ no2      <chr> "1", "2", "2", "5", "4", "4", "3", "3", "2", "3", "3", "4", "…
## $ Max      <int> 59, 52, 44, 58, 70, 69, 58, 46, 51, 59, 66, 60, 60, 51, 53, 9…
## $ Critical <chr> "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10…
## $ Kategori <chr> "SEDANG", "SEDANG", "BAIK", "SEDANG", "SEDANG", "SEDANG", "SE…

Perintah diatas merupakan perintah untuk mengubah tipe data dari Tanggal yang awalnya bertipe char menjadi bertipe date agar dapat digunakan dalam peramalan nantinya

Data.SPKU$pm10= as.numeric(as.character(Data.SPKU$pm10)) 
## Warning: NAs introduced by coercion
Data.SPKU$so2= as.numeric(as.character(Data.SPKU$so2)) 
## Warning: NAs introduced by coercion
Data.SPKU$co= as.numeric(as.character(Data.SPKU$co)) 
## Warning: NAs introduced by coercion
Data.SPKU$o3= as.numeric(as.character(Data.SPKU$o3)) 
## Warning: NAs introduced by coercion
Data.SPKU$no2= as.numeric(as.character(Data.SPKU$no2)) 
## Warning: NAs introduced by coercion
Data.SPKU$Max= as.numeric(as.character(Data.SPKU$Max)) 

Selanjutnya adalah perintah untuk mengubah tipe data dari keenam variabel yaitu pm10, so2, co, o3, no2, dan Max yang awalnya bertipe char menjadi bertipe numeric

glimpse(Data.SPKU)
## Rows: 10,960
## Columns: 10
## $ Tanggal  <date> 2016-01-01, 2016-01-02, 2016-01-03, 2016-01-04, 2016-01-05, …
## $ Stasiun  <chr> "DKI1 (Bunderan HI)", "DKI1 (Bunderan HI)", "DKI1 (Bunderan H…
## $ pm10     <dbl> 59, 52, 44, 58, 70, 69, 58, 46, 51, 59, 66, 60, 60, 51, 53, 5…
## $ so2      <dbl> 19, 19, 19, 21, 19, 19, 19, 24, 32, 39, 38, 37, 37, 38, 42, 4…
## $ co       <dbl> 27, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, 2…
## $ o3       <dbl> 31, 33, 36, 46, 41, 19, 25, NA, NA, 43, 29, 31, NA, NA, NA, 9…
## $ no2      <dbl> 1, 2, 2, 5, 4, 4, 3, 3, 2, 3, 3, 4, 2, 3, 3, 4, 4, 4, 4, 3, 3…
## $ Max      <dbl> 59, 52, 44, 58, 70, 69, 58, 46, 51, 59, 66, 60, 60, 51, 53, 9…
## $ Critical <chr> "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10…
## $ Kategori <chr> "SEDANG", "SEDANG", "BAIK", "SEDANG", "SEDANG", "SEDANG", "SE…

Dapat dilihat sekarang tipe data yang ada saat ini sudah berubah dari yang awalnya bertipe char sudah menjadi date dan juga double pada dataset yang kita gunakan

c. Membersihkan data yang Missing Value

# your code
colSums(is.na(Data.SPKU))
##  Tanggal  Stasiun     pm10      so2       co       o3      no2      Max 
##        0        0      494      446      404      456      476       29 
## Critical Kategori 
##        0        0

Perintah diatas merupakan perintah yang digunakan untuk melihat data yang tidak memiliki nilai(missing value). Data yang tidak ada nilainya ini harus kita hapus agar nantinya tidak mempengaruhi hasil dari peramalan.

Data.SPKU <- na.omit(Data.SPKU)

Perintah diatas merupakan perintah untuk mengeluarkan data yang tidak memiliki nilai dari dataset supaya nantinya tidak akan mempengaruhi hasil dari peramalan

colSums(is.na(Data.SPKU))
##  Tanggal  Stasiun     pm10      so2       co       o3      no2      Max 
##        0        0        0        0        0        0        0        0 
## Critical Kategori 
##        0        0

Setelah kita cek kembali dengan perintah colSums dapat dilihat bahwa sudah tidak ada data yang tidak memiliki nilai(Missing Value) di dalam dataset yang akan kita gunakan nantinya.

sum(duplicated(Data.SPKU))
## [1] 0

Selanjutnya setelah memastikan atribut dari variabel telah sesuai dan tidak ada missing value lagi di dalamnya, akan menggunakan perintah duplicated untuk mengecek apakah di dataset yang kita gunakan masih ada data yang sama/berulang. Dapat dilihat dari hasilnya didapatkan bahwa sudah tidak ada data duplikat di dalam dataset yang digunakan

Berikut merupakan tampilan dari dataset setelah dilakukan Scrubbing

glimpse(Data.SPKU)
## Rows: 9,596
## Columns: 10
## $ Tanggal  <date> 2016-01-01, 2016-01-16, 2016-01-17, 2016-01-18, 2016-01-19, …
## $ Stasiun  <chr> "DKI1 (Bunderan HI)", "DKI1 (Bunderan HI)", "DKI1 (Bunderan H…
## $ pm10     <dbl> 59, 59, 58, 73, 60, 54, 66, 65, 43, 55, 33, 61, 74, 58, 58, 4…
## $ so2      <dbl> 19, 42, 42, 44, 45, 44, 48, 41, 40, 41, 40, 42, 43, 42, 44, 4…
## $ co       <dbl> 27, 26, 19, 32, 24, 33, 31, 31, 25, 38, 32, 40, 41, 30, 29, 2…
## $ o3       <dbl> 31, 95, 149, 87, 78, 69, 53, 45, 51, 48, 49, 54, 61, 77, 79, …
## $ no2      <dbl> 1, 4, 4, 4, 4, 3, 3, 2, 3, 2, 4, 3, 4, 3, 4, 2, 2, 10, 12, 18…
## $ Max      <dbl> 59, 95, 149, 87, 78, 69, 66, 65, 51, 55, 49, 61, 74, 77, 79, …
## $ Critical <chr> "PM10", "O3", "O3", "O3", "O3", "O3", "PM10", "PM10", "O3", "…
## $ Kategori <chr> "SEDANG", "SEDANG", "TIDAK SEHAT", "SEDANG", "SEDANG", "SEDAN…

4. Explore Data

a. Analisis Deskriptif

Dalam tahapan explore data, pertama-tama kita dapat menggunakan perintah summary() untuk melihat ringkasan dari dataset yang kita gunakan. Ringkasan ini akan sangat berguna untuk menampilkan data statistik yang dapat membantu kita dalam melakukan analisis Deskriptif

summary(Data.SPKU)
##     Tanggal             Stasiun               pm10             so2        
##  Min.   :2016-01-01   Length:9596        Min.   :  2.00   Min.   :  1.00  
##  1st Qu.:2017-07-14   Class :character   1st Qu.: 43.00   1st Qu.: 15.00  
##  Median :2019-01-31   Mode  :character   Median : 55.00   Median : 21.00  
##  Mean   :2019-01-13                      Mean   : 52.74   Mean   : 23.59  
##  3rd Qu.:2020-07-12                      3rd Qu.: 63.00   3rd Qu.: 30.00  
##  Max.   :2021-12-31                      Max.   :179.00   Max.   :112.00  
##        co               o3              no2              Max        
##  Min.   :  1.00   Min.   :  3.00   Min.   :  1.00   Min.   :  1.00  
##  1st Qu.: 11.00   1st Qu.: 34.00   1st Qu.:  6.00   1st Qu.: 52.00  
##  Median : 16.00   Median : 57.00   Median :  9.00   Median : 65.00  
##  Mean   : 18.64   Mean   : 61.35   Mean   : 11.85   Mean   : 69.76  
##  3rd Qu.: 23.00   3rd Qu.: 81.00   3rd Qu.: 14.00   3rd Qu.: 83.00  
##  Max.   :135.00   Max.   :243.00   Max.   :148.00   Max.   :243.00  
##    Critical           Kategori        
##  Length:9596        Length:9596       
##  Class :character   Class :character  
##  Mode  :character   Mode  :character  
##                                       
##                                       
## 
tapply(Data.SPKU$pm10, Data.SPKU$Stasiun, summary)
## $`DKI1 (Bunderan HI)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    5.00   40.00   52.00   49.27   59.00  104.00 
## 
## $`DKI2 (Kelapa Gading)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   13.00   45.25   57.00   54.89   66.00  103.00 
## 
## $`DKI3 (Jagakarsa)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    2.00   44.00   54.00   51.86   61.00  118.00 
## 
## $`DKI4 (Lubang Buaya)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    7.00   50.00   60.00   58.31   69.00  179.00 
## 
## $`DKI5 (Kebon Jeruk)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    2.00   40.00   53.00   49.42   60.00   92.00
tapply(Data.SPKU$so2, Data.SPKU$Stasiun, summary)
## $`DKI1 (Bunderan HI)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00   14.00   20.00   20.95   27.00  106.00 
## 
## $`DKI2 (Kelapa Gading)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00   13.00   21.00   25.25   32.00  103.00 
## 
## $`DKI3 (Jagakarsa)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    2.00   14.00   18.00   23.12   29.00  112.00 
## 
## $`DKI4 (Lubang Buaya)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    2.00   23.00   29.00   30.04   37.00   72.00 
## 
## $`DKI5 (Kebon Jeruk)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    5.00   13.00   18.00   18.61   23.00   51.00
tapply(Data.SPKU$co, Data.SPKU$Stasiun, summary)
## $`DKI1 (Bunderan HI)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    3.00   13.00   19.00   18.84   24.00   51.00 
## 
## $`DKI2 (Kelapa Gading)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00    9.00   13.00   15.51   20.00   71.00 
## 
## $`DKI3 (Jagakarsa)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00   11.00   15.00   17.02   21.00   75.00 
## 
## $`DKI4 (Lubang Buaya)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    3.00   10.00   14.00   16.51   19.00  107.00 
## 
## $`DKI5 (Kebon Jeruk)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00   12.00   20.00   25.60   35.75  135.00
tapply(Data.SPKU$o3, Data.SPKU$Stasiun, summary)
## $`DKI1 (Bunderan HI)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    3.00   22.00   34.00   41.29   56.00  198.00 
## 
## $`DKI2 (Kelapa Gading)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    5.00   45.00   60.00   67.47   82.75  234.00 
## 
## $`DKI3 (Jagakarsa)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    6.00   40.00   68.00   68.38   90.00  199.00 
## 
## $`DKI4 (Lubang Buaya)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    5.00   33.00   54.00   55.91   74.50  197.00 
## 
## $`DKI5 (Kebon Jeruk)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    3.00   42.00   69.00   74.94   97.00  243.00
tapply(Data.SPKU$no2, Data.SPKU$Stasiun, summary)
## $`DKI1 (Bunderan HI)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00    4.00    8.00   11.26   15.00   79.00 
## 
## $`DKI2 (Kelapa Gading)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    2.00   10.00   14.00   15.16   18.00  148.00 
## 
## $`DKI3 (Jagakarsa)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00    5.00    8.00    9.31   11.00  107.00 
## 
## $`DKI4 (Lubang Buaya)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00    7.00    9.00   11.33   12.00  107.00 
## 
## $`DKI5 (Kebon Jeruk)`
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00    6.00    9.00   11.91   13.00  135.00

Dibawah ini dilakukan pengujian stasioneritas dengan uji Augmented Dickey Fuller (ADF) yang dibantu dengan perintah adf.test() dari package tseries

adf.test(Data.SPKU$pm10)
## Warning in adf.test(Data.SPKU$pm10): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  Data.SPKU$pm10
## Dickey-Fuller = -9.9403, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationary
adf.test(Data.SPKU$so2)
## Warning in adf.test(Data.SPKU$so2): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  Data.SPKU$so2
## Dickey-Fuller = -11.898, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationary
adf.test(Data.SPKU$co)
## Warning in adf.test(Data.SPKU$co): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  Data.SPKU$co
## Dickey-Fuller = -12.02, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationary
adf.test(Data.SPKU$o3)
## Warning in adf.test(Data.SPKU$o3): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  Data.SPKU$o3
## Dickey-Fuller = -11.803, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationary
adf.test(Data.SPKU$no2)
## Warning in adf.test(Data.SPKU$no2): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  Data.SPKU$no2
## Dickey-Fuller = -9.0568, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationary
adf.test(Data.SPKU$Max)
## Warning in adf.test(Data.SPKU$Max): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  Data.SPKU$Max
## Dickey-Fuller = -11.233, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationary

Dapat dilihat dari hasil diatas bahwa keenam variabel memiliki nilai p-value dibawah 0.01 yang mana artinya datanya sudah stasioner karena bernilai dibawah 5% atau 0.05

b. Visualisasi Data

b.1 Visualisasi Data Partikulat Polusi Udara

Dibawah ini merupakan grafik yang menggambarkan nilai dari data variabel partikulat polusi udara dengan tanggal pada kelima stasiun di Jakarta

ggplot(data = Data.SPKU) + 
  geom_line(mapping = aes(x = Tanggal, y = pm10, color = Stasiun))+
labs(title = "Grafik pm10")

Pada grafik pertama yang menggambarkan data pm10 ini dapat dilihat secara umum data partikulat pm10 yang direkam tertinggi berada pada Stasiun DKI4 dengan nilai tertinggi berada pada akhir tahun 2021 sedangkan nilai terendah berada pada Stasiun DKI3 pada akhir tahun 2017

ggplot(data = Data.SPKU) + 
  geom_line(mapping = aes(x = Tanggal, y = so2, color = Stasiun))+
labs(title = "Grafik so2")

Pada grafik kedua yang menggambarkan data so2 ini dapat dilihat secara umum data partikulat so2 yang direkam tertinggi berada pada Stasiun DKI3 dengan nilai tertinggi berada pada akhir tahun 2020 sedangkan nilai terendah berada pada Stasiun DKI2 pada awal tahun 2016

ggplot(data = Data.SPKU) + 
  geom_line(mapping = aes(x = Tanggal, y = co, color = Stasiun))+
labs(title = "Grafik co")

Pada grafik ketiga yang menggambarkan data co ini dapat dilihat secara umum data partikulat co yang direkam tertinggi berada pada Stasiun DKI5 dengan nilai tertinggi berada pada akhir tahun 2020 sedangkan nilai terendah berada pada Stasiun DKI5 pada akhir triwulan pertama pada tahun 2017

ggplot(data = Data.SPKU) + 
  geom_line(mapping = aes(x = Tanggal, y = o3, color = Stasiun))+
labs(title = "Grafik o3")

Pada grafik keempat yang menggambarkan data o3 ini dapat dilihat secara umum data partikulat o3 yang direkam tertinggi berada pada Stasiun DKI5 dengan nilai tertinggi berada pada akhir triwulan pertama pada tahun 2019 sedangkan nilai terendah berada pada Stasiun DKI5 pada awal triwulan ketiga pada tahun 2020

ggplot(data = Data.SPKU) + 
  geom_line(mapping = aes(x = Tanggal, y = no2, color = Stasiun))+
labs(title = "Grafik no2")

Pada grafik kelima yang menggambarkan data no2 ini dapat dilihat secara umum data partikulat no2 yang direkam tertinggi berada pada Stasiun DKI2 dengan nilai tertinggi berada pada akhir tahun 2020 sedangkan untuk nilai terendah terbagi merata pada kelima Stasiun dari awal tahun 2016 hingga akhir tahun 2018

ggplot(data = Data.SPKU) + 
  geom_line(mapping = aes(x = Tanggal, y = Max, color = Stasiun))+
labs(title = "Grafik Max")

Pada grafik keenam yang menggambarkan data Max dari keseluruhan partikulat ini dapat dilihat secara umum data tertinggi yang direkam terdapat pada Stasiun DKI5 di tahun 2019 sedangkan nilai terendah berada pada Stasiun DKI4 pada awal triwulan ketiga tahun 2020

b.2 Visualisasi Data PM10 berdasar salah satu Stasiun

Sebelum melakukan visualisasi terpisah antara tiap stasiun, untuk merapikan tampilan dari grafik nantinya terlebih dahulu buat vector yang akan digunakan untuk mempersingkat nama stasiun yang akan digunakan menjadi label

Nama_Stasiun <- c(
                    `DKI1 (Bunderan HI)` = "DKI 1",
                    `DKI2 (Kelapa Gading)` = "DKI 2",
                    `DKI3 (Jagakarsa)` = "DKI 3",
                    `DKI4 (Lubang Buaya)` = "DKI 4",
                    `DKI5 (Kebon Jeruk)`="DKI 5"
                    )

Dibawah ini merupakan tampilan grafik partikulat pm10 yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.

ggplot(Data.SPKU, aes(x=Tanggal, y=pm10, group=Stasiun)) + 
  geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))

Dibawah ini merupakan tampilan grafik partikulat so2 yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.

ggplot(Data.SPKU, aes(x=Tanggal, y=so2, group=Stasiun)) + 
  geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))

Dibawah ini merupakan tampilan grafik partikulat co yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.

ggplot(Data.SPKU, aes(x=Tanggal, y=co, group=Stasiun)) + 
  geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))

Dibawah ini merupakan tampilan grafik partikulat o3 yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.

ggplot(Data.SPKU, aes(x=Tanggal, y=o3, group=Stasiun)) + 
  geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))

Dibawah ini merupakan tampilan grafik partikulat no2 yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.

ggplot(Data.SPKU, aes(x=Tanggal, y=no2, group=Stasiun)) + 
  geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))

Dibawah ini merupakan tampilan grafik partikulat Max yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.

ggplot(Data.SPKU, aes(x=Tanggal, y=Max, group=Stasiun)) + 
  geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))

pm10tot <- Data.SPKU %>% 
  mutate(first_date_month = floor_date(Tanggal, unit = "month")) %>% 
  group_by(first_date_month) %>% 
  summarise(jumlahPM10 = sum (pm10))
pm10tot
## # A tibble: 72 × 2
##    first_date_month jumlahPM10
##    <date>                <dbl>
##  1 2016-01-01             4695
##  2 2016-02-01             5611
##  3 2016-03-01             7518
##  4 2016-04-01             7382
##  5 2016-05-01             8472
##  6 2016-06-01             7392
##  7 2016-07-01             7078
##  8 2016-08-01            13931
##  9 2016-09-01             1252
## 10 2016-10-01             7792
## # ℹ 62 more rows
so2tot <- Data.SPKU %>% 
  mutate(first_date_month = floor_date(Tanggal, unit = "month")) %>% 
  group_by(first_date_month) %>% 
  summarise(jumlahSO2 = sum (so2))
so2tot
## # A tibble: 72 × 2
##    first_date_month jumlahSO2
##    <date>               <dbl>
##  1 2016-01-01            2050
##  2 2016-02-01            1712
##  3 2016-03-01            2018
##  4 2016-04-01            2348
##  5 2016-05-01            2557
##  6 2016-06-01            2315
##  7 2016-07-01            2699
##  8 2016-08-01            5058
##  9 2016-09-01             687
## 10 2016-10-01            3405
## # ℹ 62 more rows
cotot <- Data.SPKU %>% 
  mutate(first_date_month = floor_date(Tanggal, unit = "month")) %>% 
  group_by(first_date_month) %>% 
  summarise(jumlahCO = sum (co))
cotot
## # A tibble: 72 × 2
##    first_date_month jumlahCO
##    <date>              <dbl>
##  1 2016-01-01           1896
##  2 2016-02-01           3135
##  3 2016-03-01           3722
##  4 2016-04-01           3693
##  5 2016-05-01           4638
##  6 2016-06-01           4234
##  7 2016-07-01           3924
##  8 2016-08-01           6820
##  9 2016-09-01            635
## 10 2016-10-01           4077
## # ℹ 62 more rows
o3tot <- Data.SPKU %>% 
  mutate(first_date_month = floor_date(Tanggal, unit = "month")) %>% 
  group_by(first_date_month) %>% 
  summarise(jumlahO3 = sum (o3))
o3tot
## # A tibble: 72 × 2
##    first_date_month jumlahO3
##    <date>              <dbl>
##  1 2016-01-01           4547
##  2 2016-02-01           5683
##  3 2016-03-01           8463
##  4 2016-04-01           7283
##  5 2016-05-01           8185
##  6 2016-06-01           7644
##  7 2016-07-01           8146
##  8 2016-08-01          16247
##  9 2016-09-01            603
## 10 2016-10-01           9461
## # ℹ 62 more rows
no2tot <- Data.SPKU %>% 
  mutate(first_date_month = floor_date(Tanggal, unit = "month")) %>% 
  group_by(first_date_month) %>% 
  summarise(jumlahNO2 = sum (no2))
no2tot
## # A tibble: 72 × 2
##    first_date_month jumlahNO2
##    <date>               <dbl>
##  1 2016-01-01             838
##  2 2016-02-01             965
##  3 2016-03-01            1217
##  4 2016-04-01            1216
##  5 2016-05-01            1410
##  6 2016-06-01            1407
##  7 2016-07-01            1085
##  8 2016-08-01            2248
##  9 2016-09-01              76
## 10 2016-10-01            1255
## # ℹ 62 more rows
ggplot(data = pm10tot, aes(x = first_date_month, y = jumlahPM10, color = "PM10")) +
geom_line() +
geom_line(data = cotot, aes(x = first_date_month, y = jumlahCO, color = "CO")) +
geom_line(data = o3tot, aes(x = first_date_month, y = jumlahO3, color = "O3")) +
geom_line(data = so2tot, aes(x = first_date_month, y = jumlahSO2, color = "SO2")) +
geom_line(data = no2tot, aes(x = first_date_month, y = jumlahNO2, color = "NO2")) +
labs(title = "Jumlah Partikel Polusi Udara per Bulan",
x = "Tahun",
y = "Jumlah Partikel (μg/m3)", 
subtitle = "Data terakhir 31 Desember 2021") +
theme_minimal() +
scale_x_date(date_labels = "%Y", date_breaks = "1 year") +
scale_color_manual(values = c("#0e8eff", "#0e0700", "#d19f00", "#fff80e", "#30e97f"),
labels = c("PM10", "CO", "O3","SO2", "NO2")) 

Berdasarkan Gambar diatas bisa dilihat bahwa, rata-rata tingkat O3 dan SO2 relatif lebih tinggi dibandingkan dengan 3 partikel yang lainnya.

pm10 <- Data.SPKU %>% 
  ggplot(aes(x = Tanggal, y = pm10)) +
  geom_point(color = "tomato3", group=1) + 
  labs( 
    title = "Jumlah PM10 per Hari", 
    subtitle = "ISPU Jakarta", 
    caption = "Roni Yunis", 
    x = "Tahun", 
    y = "Jumlah" 
  ) +
  theme_minimal()
pm10

ggplot(data = Data.SPKU, aes(x = Tanggal, y = pm10, color = Kategori)) +
  geom_line() +
  labs(title = "Jumlah PM10 Berdasarkan Kategori", 
       x = "Tanggal", 
       y = "Partikel PM10 (μg/m3)") +
  scale_color_manual(values = c("#0e8eff", "#0e0700", "#d19f00", "#fff80e"), 
                     labels = c("Baik", "Sangat Tidak Sehat", "Sedang", "Tidak Sehat")) +
  annotate("text", 
           x = max(Data.SPKU$Tanggal), 
           y = mean(Data.SPKU$pm10), label = "PM10") +
  theme_minimal()

# Tingkat SO2 per Weekday
ggplot(data = Data.SPKU, aes(x = Tanggal, y = so2,  fill=Stasiun)) +
  geom_col() +
  labs(title = "Tingkat SO2 Per Minggu") + # dari hari Senin s/d Minggu
  theme_minimal()

df_dki_4 <- subset(Data.SPKU, Stasiun == "DKI4 (Lubang Buaya)")
df_dki_4 <- df_dki_4 %>% 
  mutate(year = year(Tanggal),
         month = month(Tanggal),
         day = day(Tanggal),
         weekday = wday(Tanggal),
         year_month = format(Tanggal, format = "%Y-%m"))
df_dki_4
##          Tanggal             Stasiun pm10 so2  co  o3 no2 Max Critical
## 94    2016-01-01 DKI4 (Lubang Buaya)   72  32  12  37  11  72     PM10
## 95    2016-01-02 DKI4 (Lubang Buaya)   42  32   8  34   7  42     PM10
## 96    2016-01-03 DKI4 (Lubang Buaya)   37  33   9  48   9  48       O3
## 97    2016-01-04 DKI4 (Lubang Buaya)   61  33   6  40  20  61     PM10
## 98    2016-01-05 DKI4 (Lubang Buaya)   99  33  24  55  21  99     PM10
## 99    2016-01-06 DKI4 (Lubang Buaya)   75  33   9  32  11  75     PM10
## 100   2016-01-07 DKI4 (Lubang Buaya)   75  33   8  41  12  75     PM10
## 101   2016-01-08 DKI4 (Lubang Buaya)   60  33   5  35   7  60     PM10
## 102   2016-01-09 DKI4 (Lubang Buaya)   77  33   8  36   8  77     PM10
## 103   2016-01-10 DKI4 (Lubang Buaya)   83  33   7  61  11  83     PM10
## 104   2016-01-11 DKI4 (Lubang Buaya)   82  35  13  65  12  82     PM10
## 105   2016-01-12 DKI4 (Lubang Buaya)   72  35  11  40  12  72     PM10
## 106   2016-01-13 DKI4 (Lubang Buaya)   61  34  19  30  12  61     PM10
## 107   2016-01-14 DKI4 (Lubang Buaya)   57  34  22  34  10  57     PM10
## 108   2016-01-15 DKI4 (Lubang Buaya)   68  35  21  39  10  68     PM10
## 109   2016-01-16 DKI4 (Lubang Buaya)   68  35  22  71  15  71       O3
## 110   2016-01-17 DKI4 (Lubang Buaya)   94  38  20  96  17  96       O3
## 111   2016-01-18 DKI4 (Lubang Buaya)   96  36  17  67  11  96     PM10
## 112   2016-01-19 DKI4 (Lubang Buaya)   77  39  17  70  13  77     PM10
## 113   2016-01-20 DKI4 (Lubang Buaya)   59  36  14  49  10  59     PM10
## 244   2016-02-02 DKI4 (Lubang Buaya)   52  32   7  38   9  52     PM10
## 246   2016-02-04 DKI4 (Lubang Buaya)   68  13  12  56  11  68     PM10
## 247   2016-02-05 DKI4 (Lubang Buaya)   61  11  12  57  13  61     PM10
## 248   2016-02-06 DKI4 (Lubang Buaya)   65  12  17  60   9  65     PM10
## 249   2016-02-07 DKI4 (Lubang Buaya)   64   8  19  46   8  64     PM10
## 250   2016-02-08 DKI4 (Lubang Buaya)   44   8  21  39   8  44     PM10
## 251   2016-02-09 DKI4 (Lubang Buaya)   19   8  19  31   4  31       O3
## 252   2016-02-10 DKI4 (Lubang Buaya)   38   8  10  42   7  42       O3
## 253   2016-02-11 DKI4 (Lubang Buaya)   53   8  14  38   7  53     PM10
## 254   2016-02-12 DKI4 (Lubang Buaya)   43   8  10  39  12  43     PM10
## 255   2016-02-13 DKI4 (Lubang Buaya)   58  10  17  71   8  71       O3
## 256   2016-02-14 DKI4 (Lubang Buaya)   68  12  10  93  10  93       O3
## 257   2016-02-15 DKI4 (Lubang Buaya)   53   9  10  40   8  53     PM10
## 259   2016-02-17 DKI4 (Lubang Buaya)   71   8  11  18  10  71     PM10
## 260   2016-02-18 DKI4 (Lubang Buaya)   64   8  21  44  11  64     PM10
## 261   2016-02-19 DKI4 (Lubang Buaya)   73   9  13  54  12  73     PM10
## 262   2016-02-20 DKI4 (Lubang Buaya)   75   8  10  28  15  75     PM10
## 263   2016-02-21 DKI4 (Lubang Buaya)   83   8  11  26   9  83     PM10
## 264   2016-02-22 DKI4 (Lubang Buaya)   65   8   7  30  11  65     PM10
## 265   2016-02-23 DKI4 (Lubang Buaya)   63   8   6  38  12  63     PM10
## 266   2016-02-24 DKI4 (Lubang Buaya)   66   8   9  25  13  66     PM10
## 267   2016-02-25 DKI4 (Lubang Buaya)   46   8   7  22   9  46     PM10
## 268   2016-02-26 DKI4 (Lubang Buaya)   25   8   7  39   8  39       O3
## 269   2016-02-27 DKI4 (Lubang Buaya)   55   9   9  31   8  55     PM10
## 270   2016-02-28 DKI4 (Lubang Buaya)   46  10   4  31  11  46     PM10
## 271   2016-02-29 DKI4 (Lubang Buaya)   53   8  12  34  12  53     PM10
## 394   2016-03-01 DKI4 (Lubang Buaya)   23   8   4  23   9  23     PM10
## 395   2016-03-02 DKI4 (Lubang Buaya)   51   8   9  34   8  51     PM10
## 396   2016-03-03 DKI4 (Lubang Buaya)   52   9  12  31   8  52     PM10
## 397   2016-03-04 DKI4 (Lubang Buaya)   60   9  12  21   6  60     PM10
## 398   2016-03-05 DKI4 (Lubang Buaya)   53   9   5  46   7  53     PM10
## 399   2016-03-06 DKI4 (Lubang Buaya)   80  11  16  63  13  80     PM10
## 400   2016-03-07 DKI4 (Lubang Buaya)   49   9  16  47   9  49     PM10
## 401   2016-03-08 DKI4 (Lubang Buaya)   74   9  19  36  17  74     PM10
## 402   2016-03-09 DKI4 (Lubang Buaya)   80   9  20  48  10  80     PM10
## 403   2016-03-10 DKI4 (Lubang Buaya)   71   9  19  79  12  79       O3
## 404   2016-03-11 DKI4 (Lubang Buaya)   65   9  18  47  17  65     PM10
## 405   2016-03-12 DKI4 (Lubang Buaya)   60  11  16  51  13  60     PM10
## 406   2016-03-13 DKI4 (Lubang Buaya)   65  12  17  59   9  65     PM10
## 407   2016-03-14 DKI4 (Lubang Buaya)   74  12  17  50  12  74     PM10
## 408   2016-03-15 DKI4 (Lubang Buaya)   68  12  15  96  20  96       O3
## 409   2016-03-16 DKI4 (Lubang Buaya)   59  11  15  60  11  60       O3
## 410   2016-03-17 DKI4 (Lubang Buaya)   64  11  16  49  13  64     PM10
## 411   2016-03-18 DKI4 (Lubang Buaya)   54  11  15  53   9  54     PM10
## 412   2016-03-19 DKI4 (Lubang Buaya)   65  11  15  36  11  65     PM10
## 413   2016-03-20 DKI4 (Lubang Buaya)   59  11  16  37  11  59     PM10
## 414   2016-03-21 DKI4 (Lubang Buaya)   66  14  12  24   8  66     PM10
## 423   2016-03-30 DKI4 (Lubang Buaya)   71  16  11  38  15  71     PM10
## 424   2016-03-31 DKI4 (Lubang Buaya)   81  15  10  26  11  81     PM10
## 546   2016-04-01 DKI4 (Lubang Buaya)   73  14  14  77  12  77       O3
## 547   2016-04-02 DKI4 (Lubang Buaya)   35  14  13  51   8  51       O3
## 548   2016-04-03 DKI4 (Lubang Buaya)   58  16   9  46  13  58     PM10
## 549   2016-04-04 DKI4 (Lubang Buaya)   48  16   6  44   8  48     PM10
## 550   2016-04-05 DKI4 (Lubang Buaya)   54  16   8  34   9  54     PM10
## 551   2016-04-06 DKI4 (Lubang Buaya)   67  15   9  60  10  67     PM10
## 552   2016-04-07 DKI4 (Lubang Buaya)   61  16   8  37  10  61     PM10
## 553   2016-04-08 DKI4 (Lubang Buaya)   65  16  10  24  19  65     PM10
## 554   2016-04-09 DKI4 (Lubang Buaya)   70  14  16  52  10  70     PM10
## 555   2016-04-10 DKI4 (Lubang Buaya)   61  15  12  39  10  61     PM10
## 556   2016-04-11 DKI4 (Lubang Buaya)   80  14  14  53   9  80     PM10
## 557   2016-04-12 DKI4 (Lubang Buaya)   99  19  12  22  16  99     PM10
## 558   2016-04-13 DKI4 (Lubang Buaya)   71  18   9  34  13  71     PM10
## 559   2016-04-14 DKI4 (Lubang Buaya)   72  18   8  86   9  86       O3
## 560   2016-04-15 DKI4 (Lubang Buaya)   65  14  10  78  10  78       O3
## 561   2016-04-16 DKI4 (Lubang Buaya)   55  15  13  51   8  55     PM10
## 562   2016-04-17 DKI4 (Lubang Buaya)   65  14  16  31   7  65     PM10
## 572   2016-04-27 DKI4 (Lubang Buaya)   66  15  28  41  12  66     PM10
## 573   2016-04-28 DKI4 (Lubang Buaya)   60  17  22  48  12  60     PM10
## 574   2016-04-29 DKI4 (Lubang Buaya)   50  18  11  57   8  57       O3
## 575   2016-04-30 DKI4 (Lubang Buaya)   71  16  21  39  10  71     PM10
## 699   2016-05-01 DKI4 (Lubang Buaya)   56  14  43  29  10  56     PM10
## 700   2016-05-02 DKI4 (Lubang Buaya)   64  15  21  40  12  64     PM10
## 701   2016-05-03 DKI4 (Lubang Buaya)   70  17  18  28   6  70     PM10
## 702   2016-05-04 DKI4 (Lubang Buaya)   75  14  32  28   7  75     PM10
## 703   2016-05-05 DKI4 (Lubang Buaya)   63  14  24  17   6  63     PM10
## 704   2016-05-06 DKI4 (Lubang Buaya)   74  15  49  77  12  77       O3
## 705   2016-05-07 DKI4 (Lubang Buaya)   73  16  28  68   8  73     PM10
## 706   2016-05-08 DKI4 (Lubang Buaya)   70  14  57  64  15  70     PM10
## 707   2016-05-09 DKI4 (Lubang Buaya)   58  15  29  75  12  75       O3
## 708   2016-05-10 DKI4 (Lubang Buaya)   59  15  27  59   8  59     PM10
## 709   2016-05-11 DKI4 (Lubang Buaya)   67  17  17  61   6  67     PM10
## 710   2016-05-12 DKI4 (Lubang Buaya)   88  18  27  73  14  88     PM10
## 711   2016-05-13 DKI4 (Lubang Buaya)   52  17  18  66  11  66       O3
## 712   2016-05-14 DKI4 (Lubang Buaya)   56  15  14  62  11  62       O3
## 713   2016-05-15 DKI4 (Lubang Buaya)   50  16  14  38   5  50     PM10
## 714   2016-05-16 DKI4 (Lubang Buaya)   42  15  13  36  11  42     PM10
## 715   2016-05-17 DKI4 (Lubang Buaya)   69  16  22  79  13  79       O3
## 716   2016-05-18 DKI4 (Lubang Buaya)   64  17  41  51   9  64     PM10
## 717   2016-05-19 DKI4 (Lubang Buaya)   67  17  37  74  11  74       O3
## 718   2016-05-20 DKI4 (Lubang Buaya)   63  20  18  84  17  84       O3
## 719   2016-05-21 DKI4 (Lubang Buaya)   61  15  25  52  21  61     PM10
## 721   2016-05-23 DKI4 (Lubang Buaya)   51  16  16  79  11  79       O3
## 722   2016-05-24 DKI4 (Lubang Buaya)   59  16  28  53  15  59     PM10
## 723   2016-05-25 DKI4 (Lubang Buaya)   49  17  14  52  11  52       O3
## 724   2016-05-26 DKI4 (Lubang Buaya)   66  17  28  46  13  66     PM10
## 725   2016-05-27 DKI4 (Lubang Buaya)   79  17  39  47  16  79     PM10
## 726   2016-05-28 DKI4 (Lubang Buaya)   86  19  45  64  10  86     PM10
## 727   2016-05-29 DKI4 (Lubang Buaya)   61  18  16  31  13  61     PM10
## 728   2016-05-30 DKI4 (Lubang Buaya)   61  19  26  43  12  61     PM10
## 729   2016-05-31 DKI4 (Lubang Buaya)   64  19  19  80   8  80       O3
## 851   2016-06-01 DKI4 (Lubang Buaya)   67  20  21  82   8  82       O3
## 852   2016-06-02 DKI4 (Lubang Buaya)   69  17  28  43   9  69     PM10
## 853   2016-06-03 DKI4 (Lubang Buaya)   48  18  16  72  12  72       O3
## 854   2016-06-04 DKI4 (Lubang Buaya)   75  20  30  74   9  75     PM10
## 855   2016-06-05 DKI4 (Lubang Buaya)   84  18  49  52  16  84     PM10
## 856   2016-06-06 DKI4 (Lubang Buaya)   95  19  47  80  11  95     PM10
## 857   2016-06-07 DKI4 (Lubang Buaya)   65  17  44  55  13  65     PM10
## 858   2016-06-08 DKI4 (Lubang Buaya)   40  17  11  60  14  60       O3
## 859   2016-06-09 DKI4 (Lubang Buaya)   51  17  14  55  12  55       O3
## 860   2016-06-10 DKI4 (Lubang Buaya)   65  18  25  48  15  65     PM10
## 861   2016-06-11 DKI4 (Lubang Buaya)   56  17  25  53   9  56     PM10
## 862   2016-06-12 DKI4 (Lubang Buaya)   73  19  33  73  11  73     PM10
## 863   2016-06-13 DKI4 (Lubang Buaya)   62  17  24  55  14  62     PM10
## 864   2016-06-14 DKI4 (Lubang Buaya)   58  19  20  84  12  84       O3
## 865   2016-06-15 DKI4 (Lubang Buaya)   64  21  25  64  14  64     PM10
## 866   2016-06-16 DKI4 (Lubang Buaya)   65  22  33  41  19  65     PM10
## 867   2016-06-17 DKI4 (Lubang Buaya)   61  21  15  44  11  61     PM10
## 868   2016-06-18 DKI4 (Lubang Buaya)   35  16  22  23  12  35     PM10
## 869   2016-06-19 DKI4 (Lubang Buaya)   53  20  44 126   9 126       O3
## 870   2016-06-20 DKI4 (Lubang Buaya)   65  19  34  85  10  85       O3
## 871   2016-06-21 DKI4 (Lubang Buaya)   77  20  31  95  20  95       O3
## 872   2016-06-22 DKI4 (Lubang Buaya)   53  18  12  67  10  67       O3
## 873   2016-06-23 DKI4 (Lubang Buaya)   43  18  12  70  11  70       O3
## 874   2016-06-24 DKI4 (Lubang Buaya)   55  17  18  79  14  79       O3
## 875   2016-06-25 DKI4 (Lubang Buaya)   68  20  28  83  19  83       O3
## 876   2016-06-26 DKI4 (Lubang Buaya)   74  20  32  63  14  74     PM10
## 877   2016-06-27 DKI4 (Lubang Buaya)   51  16  26  54   7  54       O3
## 879   2016-06-29 DKI4 (Lubang Buaya)   26  19  37  46  19  46       O3
## 880   2016-06-30 DKI4 (Lubang Buaya)   23  17  19  53  12  53       O3
## 1004  2016-07-01 DKI4 (Lubang Buaya)   37  18  35  91  10  91       O3
## 1005  2016-07-02 DKI4 (Lubang Buaya)   20  18  27  92  14  92       O3
## 1006  2016-07-03 DKI4 (Lubang Buaya)   16  17  18  49   7  49       O3
## 1007  2016-07-04 DKI4 (Lubang Buaya)   13  17  12  37   6  37       O3
## 1008  2016-07-05 DKI4 (Lubang Buaya)    8  17  18  41   8  41       O3
## 1009  2016-07-06 DKI4 (Lubang Buaya)   10  17  33  45   9  45       O3
## 1010  2016-07-07 DKI4 (Lubang Buaya)   10  18   7  51   5  51       O3
## 1011  2016-07-08 DKI4 (Lubang Buaya)    7  17   9  59   7  59       O3
## 1012  2016-07-09 DKI4 (Lubang Buaya)    9  18  15  59   7  59       O3
## 1013  2016-07-10 DKI4 (Lubang Buaya)    9  19  15  46   7  46       O3
## 1014  2016-07-11 DKI4 (Lubang Buaya)    7  19  37  33   9  37       CO
## 1015  2016-07-12 DKI4 (Lubang Buaya)   17  17  14  53   7  53       O3
## 1016  2016-07-13 DKI4 (Lubang Buaya)   73  18  27  67  10  73     PM10
## 1017  2016-07-14 DKI4 (Lubang Buaya)   86  18  37  40  10  86     PM10
## 1018  2016-07-15 DKI4 (Lubang Buaya)   62  19  11  31   6  62     PM10
## 1019  2016-07-16 DKI4 (Lubang Buaya)   56  17  12  31   8  56     PM10
## 1022  2016-07-19 DKI4 (Lubang Buaya)   63  21  20  92  12  92       O3
## 1023  2016-07-20 DKI4 (Lubang Buaya)   60  19  19  55   9  60     PM10
## 1024  2016-07-21 DKI4 (Lubang Buaya)   69  21  20  97  10  97       O3
## 1025  2016-07-22 DKI4 (Lubang Buaya)   56  19  15  37   8  56     PM10
## 1029  2016-07-26 DKI4 (Lubang Buaya)   70  21  24  87   9  87       O3
## 1030  2016-07-27 DKI4 (Lubang Buaya)   68  22  13  85  14  85       O3
## 1031  2016-07-28 DKI4 (Lubang Buaya)   81  22  14  62  13  81     PM10
## 1032  2016-07-29 DKI4 (Lubang Buaya)   90  22  17  88  12  90     PM10
## 1033  2016-07-30 DKI4 (Lubang Buaya)   55  20  16  88  14  88       O3
## 1034  2016-07-31 DKI4 (Lubang Buaya)   71  20  14  65   8  71     PM10
## 1159  2016-08-01 DKI4 (Lubang Buaya)   73  20  10  74   9  74       O3
## 1160  2016-08-02 DKI4 (Lubang Buaya)   58  22  12  79  12  79       O3
## 1161  2016-08-03 DKI4 (Lubang Buaya)   64  22  15  98  19  98       O3
## 1162  2016-08-04 DKI4 (Lubang Buaya)   87  21  23 106  11 106       O3
## 1163  2016-08-05 DKI4 (Lubang Buaya)  107  21  27  82  15 107     PM10
## 1164  2016-08-06 DKI4 (Lubang Buaya)   72  22  12  62  14  72     PM10
## 1165  2016-08-07 DKI4 (Lubang Buaya)   81  25  11  87  10  87       O3
## 1166  2016-08-08 DKI4 (Lubang Buaya)   58  21   7  64   7  64       O3
## 1167  2016-08-09 DKI4 (Lubang Buaya)   60  20  26  44  12  60     PM10
## 1168  2016-08-10 DKI4 (Lubang Buaya)   57  21  18  80   9  80       O3
## 1169  2016-08-11 DKI4 (Lubang Buaya)   63  21  10  70   9  70       O3
## 1170  2016-08-12 DKI4 (Lubang Buaya)   64  21  12  65  12  65       O3
## 1171  2016-08-13 DKI4 (Lubang Buaya)   63  24  13  49  10  63     PM10
## 1172  2016-08-14 DKI4 (Lubang Buaya)   50  20  14  49   9  50     PM10
## 1173  2016-08-15 DKI4 (Lubang Buaya)   42  19  16 111  14 111       O3
## 1174  2016-08-16 DKI4 (Lubang Buaya)   67  24  16  74   8  74       O3
## 1175  2016-08-17 DKI4 (Lubang Buaya)   69  21  21  52   8  69     PM10
## 1176  2016-08-18 DKI4 (Lubang Buaya)   55  21   9  60  10  60       O3
## 1177  2016-08-19 DKI4 (Lubang Buaya)   65  21  22  83  10  83       O3
## 1178  2016-08-20 DKI4 (Lubang Buaya)   51  21  12  71  12  71       O3
## 1179  2016-08-21 DKI4 (Lubang Buaya)   69  23  13  70   9  70       O3
## 1180  2016-08-22 DKI4 (Lubang Buaya)   59  22  10  64   8  64       O3
## 1181  2016-08-23 DKI4 (Lubang Buaya)   52  24   8 142   7 142       O3
## 1182  2016-08-24 DKI4 (Lubang Buaya)   57  24   7 101  15 101       O3
## 1183  2016-08-25 DKI4 (Lubang Buaya)   80  26  15  88  12  88       O3
## 1312  2016-08-02 DKI4 (Lubang Buaya)   82  21  30  92  14  92       O3
## 1313  2016-08-03 DKI4 (Lubang Buaya)   69  21  20  60  13  69     PM10
## 1314  2016-08-04 DKI4 (Lubang Buaya)   73  26  17  52  17  73     PM10
## 1315  2016-08-05 DKI4 (Lubang Buaya)   53  21  15  39   9  53     PM10
## 1316  2016-08-06 DKI4 (Lubang Buaya)   66  22  23  53   8  66     PM10
## 1317  2016-08-07 DKI4 (Lubang Buaya)   56  21  18  42  14  56     PM10
## 1318  2016-08-08 DKI4 (Lubang Buaya)   54  22  23  72  13  72       O3
## 1319  2016-08-09 DKI4 (Lubang Buaya)   84  21  33  59  17  84     PM10
## 1320  2016-08-10 DKI4 (Lubang Buaya)   94  23  32  59   9  94     PM10
## 1321  2016-08-11 DKI4 (Lubang Buaya)   61  25  12  55  11  61     PM10
## 1324  2016-08-14 DKI4 (Lubang Buaya)   91  26  11  71  14  91     PM10
## 1325  2016-08-15 DKI4 (Lubang Buaya)   54  26  16  61  14  61       O3
## 1326  2016-08-16 DKI4 (Lubang Buaya)   66  23  19  56  11  66     PM10
## 1327  2016-08-17 DKI4 (Lubang Buaya)   64  21  18  56   9  64     PM10
## 1328  2016-08-18 DKI4 (Lubang Buaya)   50  25  13  79   8  79       O3
## 1329  2016-08-19 DKI4 (Lubang Buaya)   52  21  14  45  10  52     PM10
## 1330  2016-08-20 DKI4 (Lubang Buaya)   59  21  23  69  12  69       O3
## 1331  2016-08-21 DKI4 (Lubang Buaya)   58  21  11  69  13  69       O3
## 1332  2016-08-22 DKI4 (Lubang Buaya)   43  23  21  60   9  60       O3
## 1333  2016-08-23 DKI4 (Lubang Buaya)   51  22  16  57  12  57       O3
## 1334  2016-08-24 DKI4 (Lubang Buaya)   54  23  14  37   8  54     PM10
## 1335  2016-08-25 DKI4 (Lubang Buaya)   42  21  25  51   9  51       O3
## 1336  2016-08-26 DKI4 (Lubang Buaya)   33  21  12  41   7  41       O3
## 1337  2016-08-27 DKI4 (Lubang Buaya)   62  23  20  62  12  62     PM10
## 1338  2016-08-28 DKI4 (Lubang Buaya)   59  23  15  62  10  62       O3
## 1339  2016-08-29 DKI4 (Lubang Buaya)   40  22  11  63   7  63       O3
## 1340  2016-08-30 DKI4 (Lubang Buaya)   52  23  14  46   9  52     PM10
## 1464  2016-10-01 DKI4 (Lubang Buaya)   61  23  32  48  12  61     PM10
## 1465  2016-10-02 DKI4 (Lubang Buaya)   45  21  17  21   5  45     PM10
## 1466  2016-10-03 DKI4 (Lubang Buaya)   56  23  10  94   7  94       O3
## 1467  2016-10-04 DKI4 (Lubang Buaya)   66  22  18  72  12  72       O3
## 1469  2016-10-06 DKI4 (Lubang Buaya)   53  23  13 108  10 108       O3
## 1470  2016-10-07 DKI4 (Lubang Buaya)   73  24  18 106  12 106       O3
## 1471  2016-10-10 DKI4 (Lubang Buaya)   57  23  15  70  11  70       O3
## 1475  2016-10-12 DKI4 (Lubang Buaya)   62  23  27  33  13  62     PM10
## 1476  2016-10-13 DKI4 (Lubang Buaya)   74  24  23  63   8  74     PM10
## 1477  2016-10-14 DKI4 (Lubang Buaya)   67  24  74  20  12  74       CO
## 1478  2016-10-15 DKI4 (Lubang Buaya)   53  23  16  50  10  53     PM10
## 1479  2016-10-16 DKI4 (Lubang Buaya)   53  23  18  43   8  53     PM10
## 1480  2016-10-17 DKI4 (Lubang Buaya)   63  24  13  82   8  82       O3
## 1481  2016-10-18 DKI4 (Lubang Buaya)   66  24  15  77  20  77       O3
## 1482  2016-10-19 DKI4 (Lubang Buaya)   56  23  11  59   9  59       O3
## 1483  2016-10-20 DKI4 (Lubang Buaya)   82  26  15  88  13  88       O3
## 1484  2016-10-21 DKI4 (Lubang Buaya)   81  24  18  71  13  81     PM10
## 1485  2016-10-22 DKI4 (Lubang Buaya)   85  24  27  51  13  85     PM10
## 1486  2016-10-23 DKI4 (Lubang Buaya)   34  22   9  27   6  34     PM10
## 1487  2016-10-24 DKI4 (Lubang Buaya)   52  25  26  76   8  76       O3
## 1488  2016-10-25 DKI4 (Lubang Buaya)   59  23  23  64  12  64       O3
## 1489  2016-10-26 DKI4 (Lubang Buaya)   50  25  13  52  11  52       O3
## 1490  2016-10-27 DKI4 (Lubang Buaya)   59  26  13  68  14  68       O3
## 1491  2016-10-28 DKI4 (Lubang Buaya)   55  24  27  80  12  80       O3
## 1492  2016-10-29 DKI4 (Lubang Buaya)   54  23  34  47   8  54     PM10
## 1493  2016-10-30 DKI4 (Lubang Buaya)   48  23  23  64   6  64       O3
## 1494  2016-10-31 DKI4 (Lubang Buaya)   50  27  19  89  16  89       O3
## 1616  2016-11-01 DKI4 (Lubang Buaya)   46  23  14  42  11  46     PM10
## 1617  2016-11-02 DKI4 (Lubang Buaya)   40  22  21  23   7  40     PM10
## 1618  2016-11-03 DKI4 (Lubang Buaya)   55  25  13  62   6  62       O3
## 1620  2016-11-05 DKI4 (Lubang Buaya)   67  23  13 104  12 104       O3
## 1621  2016-11-06 DKI4 (Lubang Buaya)  128  23  32  97  14 128     PM10
## 1622  2016-11-07 DKI4 (Lubang Buaya)   79  23  24  96  14  96       O3
## 1623  2016-11-11 DKI4 (Lubang Buaya)   66  23  17  62  11  66     PM10
## 1624  2016-11-11 DKI4 (Lubang Buaya)   57  27  12  72  12  72       O3
## 1625  2016-11-10 DKI4 (Lubang Buaya)   50  27  11  80   9  80       O3
## 1626  2016-11-11 DKI4 (Lubang Buaya)   62  23  10 103  12 103       O3
## 1627  2016-11-12 DKI4 (Lubang Buaya)   53  23  17  61  10  61       O3
## 1628  2016-11-13 DKI4 (Lubang Buaya)   38  23  17  56  11  56       O3
## 1629  2016-11-14 DKI4 (Lubang Buaya)   50  23  17 118   9 118       O3
## 1630  2016-11-15 DKI4 (Lubang Buaya)   51  23  21  58   8  58       O3
## 1631  2016-11-16 DKI4 (Lubang Buaya)   55  23  30 104   9 104       O3
## 1632  2016-11-17 DKI4 (Lubang Buaya)   59  23  11 100  10 100       O3
## 1633  2016-11-18 DKI4 (Lubang Buaya)   74  24  23  48  15  74     PM10
## 1634  2016-11-19 DKI4 (Lubang Buaya)   58  24  31  55  13  58     PM10
## 1635  2016-11-20 DKI4 (Lubang Buaya)   60  23  25  43  10  60     PM10
## 1636  2016-11-21 DKI4 (Lubang Buaya)   61  24  17  37  13  61     PM10
## 1640  2016-11-25 DKI4 (Lubang Buaya)   49  24  11  26   8  49     PM10
## 1641  2016-11-26 DKI4 (Lubang Buaya)   75  25  19  66  12  75     PM10
## 1642  2016-11-27 DKI4 (Lubang Buaya)   93  24  41  50   9  93     PM10
## 1643  2016-11-28 DKI4 (Lubang Buaya)   82  24  26  45  14  82     PM10
## 1644  2016-11-29 DKI4 (Lubang Buaya)   42  24  17  70  10  70       O3
## 1645  2016-11-30 DKI4 (Lubang Buaya)   58  25  21  59  10  59       O3
## 1769  2016-12-01 DKI4 (Lubang Buaya)   65  25  23  28  14  65     PM10
## 1770  2016-12-02 DKI4 (Lubang Buaya)   43  25  13  25   5  43     PM10
## 1771  2016-12-03 DKI4 (Lubang Buaya)   25  24  15  22   6  25     PM10
## 1772  2016-12-04 DKI4 (Lubang Buaya)   35  24  13  15   5  35     PM10
## 1773  2016-12-05 DKI4 (Lubang Buaya)   21  24   7  19   4  24      SO2
## 1774  2016-12-06 DKI4 (Lubang Buaya)   29  24   9  23   5  29     PM10
## 1775  2016-12-07 DKI4 (Lubang Buaya)   38  24  11  38   7  38     PM10
## 1776  2016-12-12 DKI4 (Lubang Buaya)   61  25  22  70   8  70       O3
## 1777  2016-12-09 DKI4 (Lubang Buaya)   33  24  12  28   7  33     PM10
## 1778  2016-12-10 DKI4 (Lubang Buaya)   48  25  15  21   7  48     PM10
## 1779  2016-12-11 DKI4 (Lubang Buaya)   33  24  10  38   4  38       O3
## 1780  2016-12-12 DKI4 (Lubang Buaya)   32  24  19  31   7  32     PM10
## 1781  2016-12-13 DKI4 (Lubang Buaya)   47  25  11  20   8  47     PM10
## 1782  2016-12-14 DKI4 (Lubang Buaya)   36  25   8  26   5  36     PM10
## 1783  2016-12-15 DKI4 (Lubang Buaya)   45  25  33  14   7  45     PM10
## 1784  2016-12-16 DKI4 (Lubang Buaya)   33  25  12  30   5  33     PM10
## 1785  2016-12-17 DKI4 (Lubang Buaya)   34  25   7  33   6  34     PM10
## 1786  2016-12-18 DKI4 (Lubang Buaya)   33  25  19  24   9  33     PM10
## 1787  2016-12-19 DKI4 (Lubang Buaya)   23  25   6  26   6  26       O3
## 1788  2016-12-20 DKI4 (Lubang Buaya)   22  25   5  17   3  25      SO2
## 1789  2016-12-21 DKI4 (Lubang Buaya)   22  25   4  17   3  25      SO2
## 1790  2016-12-22 DKI4 (Lubang Buaya)   25  25   4  16   3  25     PM10
## 1791  2016-12-23 DKI4 (Lubang Buaya)   22  25   4  15   3  25      SO2
## 1792  2016-12-24 DKI4 (Lubang Buaya)   25  25   4  16   2  25     PM10
## 1793  2016-12-25 DKI4 (Lubang Buaya)   30  25   5  20   2  30     PM10
## 1794  2016-12-26 DKI4 (Lubang Buaya)   52  26  14  47   5  52     PM10
## 1795  2016-12-27 DKI4 (Lubang Buaya)   29  26   5  40   5  40       O3
## 1796  2016-12-28 DKI4 (Lubang Buaya)   30  26   5  23   3  30     PM10
## 1797  2016-12-29 DKI4 (Lubang Buaya)   37  26  12  31   4  37     PM10
## 1798  2016-12-30 DKI4 (Lubang Buaya)   58  26  19  29   7  58     PM10
## 1799  2016-12-31 DKI4 (Lubang Buaya)   54  26  24  28   7  54     PM10
## 1924  2017-01-01 DKI4 (Lubang Buaya)   69  27  23  54   5  69     PM10
## 1925  2017-01-02 DKI4 (Lubang Buaya)   35  26   7  36   4  36       O3
## 1927  2017-01-04 DKI4 (Lubang Buaya)   51  26  13  87   7  87       O3
## 1928  2017-01-05 DKI4 (Lubang Buaya)   48  27  16  67   9  67       O3
## 1929  2017-01-06 DKI4 (Lubang Buaya)   38  26  10  64   7  64       O3
## 1930  2017-01-07 DKI4 (Lubang Buaya)   32  26  11  67   5  67       O3
## 1931  2017-01-08 DKI4 (Lubang Buaya)   43  28  14  54   5  54       O3
## 1932  2017-01-09 DKI4 (Lubang Buaya)   38  27  10  55   4  55       O3
## 1933  2017-01-10 DKI4 (Lubang Buaya)   59  27  14  48   8  59     PM10
## 1934  2017-01-11 DKI4 (Lubang Buaya)   49  27  12  48   7  49     PM10
## 1935  2017-01-12 DKI4 (Lubang Buaya)   25  26   7  26   5  26      SO2
## 1936  2017-01-13 DKI4 (Lubang Buaya)   19  27   4  16   3  27      SO2
## 1937  2017-01-14 DKI4 (Lubang Buaya)   21  27   4  16   3  27      SO2
## 1938  2017-01-15 DKI4 (Lubang Buaya)   29  27  12  27   4  29     PM10
## 1940  2017-01-17 DKI4 (Lubang Buaya)   20  27   4  26   3  27      SO2
## 1941  2017-01-18 DKI4 (Lubang Buaya)   28  27   9  21   3  28     PM10
## 1942  2017-01-19 DKI4 (Lubang Buaya)   24  27   4  18   3  27      SO2
## 1943  2017-01-20 DKI4 (Lubang Buaya)   24  27   4  20   3  27      SO2
## 1944  2017-01-21 DKI4 (Lubang Buaya)   53  28   8  39   5  53     PM10
## 1945  2017-01-22 DKI4 (Lubang Buaya)   63  27   9  35   4  63     PM10
## 1946  2017-01-23 DKI4 (Lubang Buaya)   34  28   5  34   4  34     PM10
## 1948  2017-01-25 DKI4 (Lubang Buaya)   25  27   4  30   3  30       O3
## 1950  2017-01-27 DKI4 (Lubang Buaya)   51  28  14  40   7  51     PM10
## 1951  2017-01-28 DKI4 (Lubang Buaya)   40  28  12  46   4  46       O3
## 1952  2017-01-29 DKI4 (Lubang Buaya)   33  28  13  30   8  33     PM10
## 1953  2017-01-30 DKI4 (Lubang Buaya)   39  28  15  46   3  46       O3
## 1954  2017-01-31 DKI4 (Lubang Buaya)   30  28   8  35   5  35       O3
## 2070  2017-02-01 DKI4 (Lubang Buaya)   38  28  11  39   6  39       O3
## 2071  2017-02-02 DKI4 (Lubang Buaya)   35  28  14  34   4  35     PM10
## 2072  2017-02-03 DKI4 (Lubang Buaya)   34  28  12  25   5  34     PM10
## 2073  2017-02-04 DKI4 (Lubang Buaya)   30  28   3  20   3  30     PM10
## 2076  2017-02-07 DKI4 (Lubang Buaya)   31  28   8  30   4  31     PM10
## 2077  2017-02-08 DKI4 (Lubang Buaya)   25  29   4  26   5  29      SO2
## 2078  2017-02-09 DKI4 (Lubang Buaya)   31  29   8  15   3  31     PM10
## 2079  2017-02-10 DKI4 (Lubang Buaya)   22  28   9  27   3  28      SO2
## 2080  2017-02-11 DKI4 (Lubang Buaya)   32  29  13  25   5  32     PM10
## 2081  2017-02-12 DKI4 (Lubang Buaya)   37  28  13  27   6  37     PM10
## 2082  2017-02-13 DKI4 (Lubang Buaya)   43  29  12  41   6  43     PM10
## 2083  2017-02-14 DKI4 (Lubang Buaya)   39  29  17  43   5  43       O3
## 2084  2017-02-15 DKI4 (Lubang Buaya)   29  29   4  50   6  50       O3
## 2085  2017-02-16 DKI4 (Lubang Buaya)   27  29   7  41   6  41       O3
## 2086  2017-02-17 DKI4 (Lubang Buaya)   61  29  22  37   7  61     PM10
## 2087  2017-02-18 DKI4 (Lubang Buaya)   62  29  15  33   7  62     PM10
## 2088  2017-02-19 DKI4 (Lubang Buaya)   78  29  26  27   4  78     PM10
## 2089  2017-02-20 DKI4 (Lubang Buaya)   59  29  31  17   5  59     PM10
## 2090  2017-02-21 DKI4 (Lubang Buaya)   51  29  24  38   6  51     PM10
## 2091  2017-02-22 DKI4 (Lubang Buaya)   53  30  26 101   7 101       O3
## 2092  2017-02-23 DKI4 (Lubang Buaya)   54  29  18 114   8 114       O3
## 2093  2017-02-24 DKI4 (Lubang Buaya)   62  29  22  63  12  63       O3
## 2094  2017-02-25 DKI4 (Lubang Buaya)   51  29  13  69   7  69       O3
## 2095  2017-02-26 DKI4 (Lubang Buaya)   49  30  12  58   7  58       O3
## 2096  2017-02-27 DKI4 (Lubang Buaya)   36  30  12  69  10  69       O3
## 2097  2017-02-28 DKI4 (Lubang Buaya)   64  30  16  98  11  98       O3
## 2219  2017-03-01 DKI4 (Lubang Buaya)   54  30  14  58  11  58       O3
## 2220  2017-03-02 DKI4 (Lubang Buaya)   64  31  19  71   7  71       O3
## 2221  2017-03-03 DKI4 (Lubang Buaya)   60  30  15  49   9  60     PM10
## 2222  2017-03-04 DKI4 (Lubang Buaya)   43  30  13  79   6  79       O3
## 2223  2017-03-05 DKI4 (Lubang Buaya)   60  31  20  60  12  60     PM10
## 2224  2017-03-06 DKI4 (Lubang Buaya)   52  30   8  58   7  58       O3
## 2225  2017-03-07 DKI4 (Lubang Buaya)   52  30  11  53   9  53       O3
## 2226  2017-03-08 DKI4 (Lubang Buaya)   40  31  11  82  11  82       O3
## 2227  2017-03-09 DKI4 (Lubang Buaya)   53  31   8 110  24 110       O3
## 2228  2017-03-10 DKI4 (Lubang Buaya)   77  31  21  65  18  77     PM10
## 2229  2017-03-11 DKI4 (Lubang Buaya)   60  31   8  73  12  73       O3
## 2230  2017-03-12 DKI4 (Lubang Buaya)   75  32  23  57  11  75     PM10
## 2231  2017-03-13 DKI4 (Lubang Buaya)   72  32  14  41  13  72     PM10
## 2232  2017-03-14 DKI4 (Lubang Buaya)   71  32   8  36   9  71     PM10
## 2233  2017-03-15 DKI4 (Lubang Buaya)   47  32   4  27   6  47     PM10
## 2234  2017-03-16 DKI4 (Lubang Buaya)   51  32   9  64   9  64       O3
## 2235  2017-03-17 DKI4 (Lubang Buaya)   94  32  21  62  23  94     PM10
## 2236  2017-03-18 DKI4 (Lubang Buaya)   52  31  12  41   8  52     PM10
## 2237  2017-03-19 DKI4 (Lubang Buaya)   49  32  21  38   5  49     PM10
## 2238  2017-03-20 DKI4 (Lubang Buaya)   28  31   7  23   4  31      SO2
## 2239  2017-03-21 DKI4 (Lubang Buaya)   46  31  19  40   8  46     PM10
## 2240  2017-03-22 DKI4 (Lubang Buaya)   41  32   9  44   7  44       O3
## 2241  2017-03-23 DKI4 (Lubang Buaya)   56  31  21  34  11  56     PM10
## 2242  2017-03-24 DKI4 (Lubang Buaya)   88  32  59  89  15  89       O3
## 2243  2017-03-25 DKI4 (Lubang Buaya)   66  32  13  49   9  66     PM10
## 2244  2017-03-26 DKI4 (Lubang Buaya)   66  32  39  47   6  66     PM10
## 2245  2017-03-27 DKI4 (Lubang Buaya)   52  32  19  78  20  78       O3
## 2246  2017-03-28 DKI4 (Lubang Buaya)   72  32  20  58   6  72     PM10
## 2247  2017-03-29 DKI4 (Lubang Buaya)   57  32  18  52   9  57     PM10
## 2248  2017-03-30 DKI4 (Lubang Buaya)   45  32  14  48   6  48       O3
## 2249  2017-03-31 DKI4 (Lubang Buaya)   27  33   5  17   5  33      SO2
## 2371  2017-04-01 DKI4 (Lubang Buaya)   48  32  11  78   6  78       O3
## 2372  2017-04-02 DKI4 (Lubang Buaya)   50  32  17  88  10  88       O3
## 2373  2017-04-03 DKI4 (Lubang Buaya)   33  32  13  61   8  61       O3
## 2374  2017-04-04 DKI4 (Lubang Buaya)   47  32  19  93   9  93       O3
## 2375  2017-04-05 DKI4 (Lubang Buaya)   53  32  30  41   7  53     PM10
## 2376  2017-04-06 DKI4 (Lubang Buaya)   23  32   4  18   3  32      SO2
## 2377  2017-04-07 DKI4 (Lubang Buaya)   28  32   5  25   3  32      SO2
## 2378  2017-04-08 DKI4 (Lubang Buaya)   20  32   5  20   3  32      SO2
## 2379  2017-04-09 DKI4 (Lubang Buaya)   30  32   6  19   4  32      SO2
## 2381  2017-04-11 DKI4 (Lubang Buaya)   52  33  17  97   9  97       O3
## 2382  2017-04-12 DKI4 (Lubang Buaya)   44  33  11  85   8  85       O3
## 2383  2017-04-13 DKI4 (Lubang Buaya)   43  33   8  85  11  85       O3
## 2384  2017-04-14 DKI4 (Lubang Buaya)   53  33  16  51  11  53     PM10
## 2385  2017-04-15 DKI4 (Lubang Buaya)   71  33  17  76   4  76       O3
## 2386  2017-04-16 DKI4 (Lubang Buaya)   64  33  28  72   6  72       O3
## 2387  2017-04-17 DKI4 (Lubang Buaya)   83  34  15  62   7  83     PM10
## 2388  2017-04-18 DKI4 (Lubang Buaya)   84  33  12  73  12  84     PM10
## 2389  2017-04-19 DKI4 (Lubang Buaya)   62  33  14  95  16  95       O3
## 2390  2017-04-20 DKI4 (Lubang Buaya)   65  33  20  76  10  76       O3
## 2391  2017-04-21 DKI4 (Lubang Buaya)   63  33  18  50   9  63     PM10
## 2392  2017-04-22 DKI4 (Lubang Buaya)   71  33  22  66  17  71     PM10
## 2393  2017-04-23 DKI4 (Lubang Buaya)   55  33  19  63  10  63       O3
## 2394  2017-04-24 DKI4 (Lubang Buaya)   70  34  10  50  13  70     PM10
## 2395  2017-04-25 DKI4 (Lubang Buaya)   93  34  18  38   8  93     PM10
## 2396  2017-04-26 DKI4 (Lubang Buaya)   57  34   6  36   8  57     PM10
## 2397  2017-04-27 DKI4 (Lubang Buaya)   66  34  35  63  10  66     PM10
## 2398  2017-04-28 DKI4 (Lubang Buaya)   56  34  14  63   8  63       O3
## 2399  2017-04-29 DKI4 (Lubang Buaya)   54  40   9  28  10  54     PM10
## 2400  2017-04-30 DKI4 (Lubang Buaya)   63  43  11  91  10  91       O3
## 2524  2017-05-01 DKI4 (Lubang Buaya)   68  43  11  85   6  85       O3
## 2525  2017-05-02 DKI4 (Lubang Buaya)   62  39  15  85   7  85       O3
## 2528  2017-05-05 DKI4 (Lubang Buaya)   56  42  12  58  11  58       O3
## 2531  2017-05-08 DKI4 (Lubang Buaya)   50  41  17  53   9  53       O3
## 2534  2017-05-11 DKI4 (Lubang Buaya)   82  44  21  78   9  82     PM10
## 2535  2017-05-12 DKI4 (Lubang Buaya)   84  42  10  93  10  93       O3
## 2536  2017-05-13 DKI4 (Lubang Buaya)   70  42  11  76   8  76       O3
## 2537  2017-05-14 DKI4 (Lubang Buaya)   71  41  13  67  10  71     PM10
## 2538  2017-05-15 DKI4 (Lubang Buaya)   85  46  12  83  10  85     PM10
## 2539  2017-05-16 DKI4 (Lubang Buaya)   88  44  12  93   9  93       O3
## 2541  2017-05-18 DKI4 (Lubang Buaya)   76  42   8  73   7  76     PM10
## 2542  2017-05-19 DKI4 (Lubang Buaya)   83  44  15  77   9  83     PM10
## 2543  2017-05-20 DKI4 (Lubang Buaya)   91  44   8  84  10  91     PM10
## 2544  2017-05-21 DKI4 (Lubang Buaya)   80  46  10  56  15  80     PM10
## 2545  2017-05-22 DKI4 (Lubang Buaya)   65  45   6  56   8  65     PM10
## 2546  2017-05-23 DKI4 (Lubang Buaya)   70  44   7  75  11  75       O3
## 2676  2017-06-01 DKI4 (Lubang Buaya)   30  41  11  24   6  41      SO2
## 2677  2017-06-02 DKI4 (Lubang Buaya)   57  43  22  67   9  67       O3
## 2680  2017-06-05 DKI4 (Lubang Buaya)   82  45  21  72  10  82     PM10
## 2681  2017-06-06 DKI4 (Lubang Buaya)   53  44  16  65  13  65       O3
## 2682  2017-06-07 DKI4 (Lubang Buaya)   60  48  12  51   7  60     PM10
## 2685  2017-06-10 DKI4 (Lubang Buaya)   73  46  16  82   8  82       O3
## 2687  2017-06-12 DKI4 (Lubang Buaya)   67  47  14  45   9  67     PM10
## 2692  2017-06-17 DKI4 (Lubang Buaya)   67  48  12  63   7  67     PM10
## 2693  2017-06-18 DKI4 (Lubang Buaya)   55  44  20  70   9  70       O3
## 2694  2017-06-19 DKI4 (Lubang Buaya)   65  47  15  81   7  81       O3
## 2695  2017-06-20 DKI4 (Lubang Buaya)   66  49  13  95   8  95       O3
## 2701  2017-06-26 DKI4 (Lubang Buaya)   22  44   8  29   3  44      SO2
## 2702  2017-06-27 DKI4 (Lubang Buaya)   20  44   7  35   3  44      SO2
## 2705  2017-06-30 DKI4 (Lubang Buaya)   28  44   8  36   4  44      SO2
## 2829  2017-07-01 DKI4 (Lubang Buaya)   41  44  16  41   7  44      SO2
## 2830  2017-07-02 DKI4 (Lubang Buaya)   54  47  10  39   5  54     PM10
## 2831  2017-07-03 DKI4 (Lubang Buaya)   51  46   8  43   5  51     PM10
## 2832  2017-07-04 DKI4 (Lubang Buaya)   65  47  12  58   7  65     PM10
## 2833  2017-07-05 DKI4 (Lubang Buaya)   70  47  12  72   5  72       O3
## 2834  2017-07-06 DKI4 (Lubang Buaya)   59  49  11  87   7  87       O3
## 2836  2017-07-08 DKI4 (Lubang Buaya)   93  48  31  79  11  93     PM10
## 2837  2017-07-09 DKI4 (Lubang Buaya)   62  47  13  65   6  65       O3
## 2838  2017-07-10 DKI4 (Lubang Buaya)   46  47  13  63  10  63       O3
## 2840  2017-07-12 DKI4 (Lubang Buaya)   53  50  11  71   9  71       O3
## 2842  2017-07-14 DKI4 (Lubang Buaya)   78  51  21  80  10  80       O3
## 2843  2017-07-15 DKI4 (Lubang Buaya)   71  49  29  46   7  71     PM10
## 2844  2017-07-16 DKI4 (Lubang Buaya)   73  49  32  70   9  73     PM10
## 2845  2017-07-17 DKI4 (Lubang Buaya)   70  50  10  83   6  83       O3
## 2846  2017-07-18 DKI4 (Lubang Buaya)   94  51  27  77  13  94     PM10
## 2847  2017-07-19 DKI4 (Lubang Buaya)   89  51  20  76   7  89     PM10
## 2848  2017-07-20 DKI4 (Lubang Buaya)   76  49  22  86   6  86       O3
## 2849  2017-07-21 DKI4 (Lubang Buaya)   66  48  22 122  12 122       O3
## 2850  2017-07-22 DKI4 (Lubang Buaya)   71  50  19 108   6 108       O3
## 2851  2017-07-23 DKI4 (Lubang Buaya)   67  49  14  70   6  70       O3
## 2852  2017-07-24 DKI4 (Lubang Buaya)   75  50  21  86   8  86       O3
## 2854  2017-07-26 DKI4 (Lubang Buaya)   70  51  17  59   7  70     PM10
## 2855  2017-07-27 DKI4 (Lubang Buaya)   63  50  15  69   7  69       O3
## 2856  2017-07-28 DKI4 (Lubang Buaya)   56  50  13  58   4  58       O3
## 2857  2017-07-29 DKI4 (Lubang Buaya)   50  50  13  48   5  50     PM10
## 2985  2017-08-02 DKI4 (Lubang Buaya)   56  51  12  58   5  58       O3
## 2986  2017-08-03 DKI4 (Lubang Buaya)   54  51  10  65   4  65       O3
## 2987  2017-08-04 DKI4 (Lubang Buaya)   64  51  11  93   5  93       O3
## 2988  2017-08-05 DKI4 (Lubang Buaya)   79  51  19  79   4  79     PM10
## 2989  2017-08-06 DKI4 (Lubang Buaya)   81  51  19  80   4  81     PM10
## 2990  2017-08-07 DKI4 (Lubang Buaya)   85  50  20  56   3  85     PM10
## 2993  2017-08-10 DKI4 (Lubang Buaya)   54  50  14  85   9  85       O3
## 2994  2017-08-11 DKI4 (Lubang Buaya)   59  50  33  83   7  83       O3
## 2995  2017-08-12 DKI4 (Lubang Buaya)   68  51  18  70   4  70       O3
## 2996  2017-08-13 DKI4 (Lubang Buaya)   69  51  15  62   1  69     PM10
## 2997  2017-08-14 DKI4 (Lubang Buaya)   80  51  21  94   5  94       O3
## 3000  2017-08-17 DKI4 (Lubang Buaya)   72  51  16  86   3  86       O3
## 3001  2017-08-18 DKI4 (Lubang Buaya)   73  51  13  62   3  73     PM10
## 3002  2017-08-19 DKI4 (Lubang Buaya)   60  51   8  56   2  60     PM10
## 3014  2017-08-31 DKI4 (Lubang Buaya)   74  51  13  68   8  74     PM10
## 3136  2017-09-01 DKI4 (Lubang Buaya)   64  51   9  62   7  64     PM10
## 3137  2017-09-02 DKI4 (Lubang Buaya)   78  51  10  65  11  78     PM10
## 3138  2017-09-03 DKI4 (Lubang Buaya)  107  51  19  57  10 107     PM10
## 3139  2017-09-04 DKI4 (Lubang Buaya)  103  52  18  89  11 103     PM10
## 3140  2017-09-05 DKI4 (Lubang Buaya)   64  52   9  64   9  64     PM10
## 3141  2017-09-06 DKI4 (Lubang Buaya)   66  51  18  55  12  66     PM10
## 3142  2017-09-07 DKI4 (Lubang Buaya)   68  51  13  51  11  68     PM10
## 3143  2017-09-08 DKI4 (Lubang Buaya)   78  52  11  56  12  78     PM10
## 3144  2017-09-09 DKI4 (Lubang Buaya)   72  52  11  61  10  72     PM10
## 3145  2017-09-10 DKI4 (Lubang Buaya)   59  52   9  86   8  86       O3
## 3146  2017-09-11 DKI4 (Lubang Buaya)   65  51  14  75   9  75       O3
## 3147  2017-09-12 DKI4 (Lubang Buaya)   91  52  17  67  20  91     PM10
## 3148  2017-09-13 DKI4 (Lubang Buaya)   71  53  14 120  11 120       O3
## 3149  2017-09-14 DKI4 (Lubang Buaya)   89  53  18 105  11 105       O3
## 3150  2017-09-15 DKI4 (Lubang Buaya)   93  52  23  99  11  99       O3
## 3151  2017-09-16 DKI4 (Lubang Buaya)   75  52  16  57  12  75     PM10
## 3152  2017-09-17 DKI4 (Lubang Buaya)   60  52  11  56   9  60     PM10
## 3153  2017-09-18 DKI4 (Lubang Buaya)   66  52   8  40  10  66     PM10
## 3154  2017-09-19 DKI4 (Lubang Buaya)   60  52   7  79   7  79       O3
## 3155  2017-09-20 DKI4 (Lubang Buaya)   58  52   7  83   7  83       O3
## 3156  2017-09-21 DKI4 (Lubang Buaya)   77  54  14  63  21  77     PM10
## 3157  2017-09-22 DKI4 (Lubang Buaya)   68  52  15  93  12  93       O3
## 3158  2017-09-23 DKI4 (Lubang Buaya)   81  53  22  75  13  81     PM10
## 3159  2017-09-24 DKI4 (Lubang Buaya)   73  54  12  64   9  73     PM10
## 3160  2017-09-25 DKI4 (Lubang Buaya)   68  52  15  62  12  68     PM10
## 3161  2017-09-26 DKI4 (Lubang Buaya)   75  51  22  47  11  75     PM10
## 3162  2017-09-27 DKI4 (Lubang Buaya)   45  51   6  22   6  51      SO2
## 3163  2017-09-28 DKI4 (Lubang Buaya)   61  51  29  89  12  89       O3
## 3165  2017-09-30 DKI4 (Lubang Buaya)   54  52  11  43  11  54     PM10
## 3290  2017-10-02 DKI4 (Lubang Buaya)   55  52  23  52   9  55     PM10
## 3291  2017-10-03 DKI4 (Lubang Buaya)   58  51  28  56  13  58     PM10
## 3292  2017-10-04 DKI4 (Lubang Buaya)   56  52  15  72  11  72       O3
## 3293  2017-10-05 DKI4 (Lubang Buaya)   66  52  16  50   9  66     PM10
## 3294  2017-10-06 DKI4 (Lubang Buaya)   62  52   8  56   8  62     PM10
## 3295  2017-10-07 DKI4 (Lubang Buaya)   71  52  17  76   9  76       O3
## 3296  2017-10-08 DKI4 (Lubang Buaya)   66  52  10  57   9  66     PM10
## 3297  2017-10-09 DKI4 (Lubang Buaya)   72  52  17  64  13  72     PM10
## 3298  2017-10-10 DKI4 (Lubang Buaya)   58  51  27  82  14  82       O3
## 3299  2017-10-11 DKI4 (Lubang Buaya)   67  52  16  75  22  75       O3
## 3300  2017-10-12 DKI4 (Lubang Buaya)   77  52  16  81  16  81       O3
## 3301  2017-10-13 DKI4 (Lubang Buaya)   55  52  23  72  15  72       O3
## 3302  2017-10-14 DKI4 (Lubang Buaya)   52  53   8  69  10  69       O3
## 3303  2017-10-15 DKI4 (Lubang Buaya)   61  53   5  89   8  89       O3
## 3304  2017-10-16 DKI4 (Lubang Buaya)   44  53   6  55  10  55       O3
## 3305  2017-10-17 DKI4 (Lubang Buaya)   52  52  11  62  10  62       O3
## 3306  2017-10-18 DKI4 (Lubang Buaya)   61  53   9  91  15  91       O3
## 3307  2017-10-19 DKI4 (Lubang Buaya)   57  52  16  86  14  86       O3
## 3308  2017-10-20 DKI4 (Lubang Buaya)   51  52  25  71  13  71       O3
## 3309  2017-10-21 DKI4 (Lubang Buaya)   84  53  42 104  15 104       O3
## 3310  2017-10-22 DKI4 (Lubang Buaya)   67  53  13  80   9  80       O3
## 3311  2017-10-23 DKI4 (Lubang Buaya)   66  52  16  78  10  78       O3
## 3312  2017-10-24 DKI4 (Lubang Buaya)   51  52  10 110   8 110       O3
## 3313  2017-10-25 DKI4 (Lubang Buaya)   52  52   9  93  10  93       O3
## 3314  2017-10-26 DKI4 (Lubang Buaya)   61  53   9  53  12  61     PM10
## 3315  2017-10-27 DKI4 (Lubang Buaya)   56  53  10  77  14  77       O3
## 3316  2017-10-28 DKI4 (Lubang Buaya)   73  52  15  69  11  73     PM10
## 3317  2017-10-29 DKI4 (Lubang Buaya)   80  52  29  53   9  80     PM10
## 3318  2017-10-30 DKI4 (Lubang Buaya)   74  52  16  52  15  74     PM10
## 3319  2017-10-31 DKI4 (Lubang Buaya)   57  52   9  77  12  77       O3
## 3441  2017-11-01 DKI4 (Lubang Buaya)   55  53   6 100   9 100       O3
## 3442  2017-11-02 DKI4 (Lubang Buaya)   83  54   8  98  10  98       O3
## 3443  2017-11-03 DKI4 (Lubang Buaya)   65  53   8  86  15  86       O3
## 3444  2017-11-04 DKI4 (Lubang Buaya)   66  53   4  71  24  71       O3
## 3445  2017-11-05 DKI4 (Lubang Buaya)   72  53   7  63  12  72     PM10
## 3448  2017-11-08 DKI4 (Lubang Buaya)   57  53  18  49   9  57     PM10
## 3450  2017-11-10 DKI4 (Lubang Buaya)   52  53  10 106  11 106       O3
## 3451  2017-11-11 DKI4 (Lubang Buaya)   58  53  12 122  12 122       O3
## 3452  2017-11-12 DKI4 (Lubang Buaya)   48  52   9  99   9  99       O3
## 3453  2017-11-13 DKI4 (Lubang Buaya)   51  53  13  52  11  53      SO2
## 3454  2017-11-14 DKI4 (Lubang Buaya)   54  53  19  89  11  89       O3
## 3455  2017-11-15 DKI4 (Lubang Buaya)   46  53  10  98  20  98       O3
## 3456  2017-11-16 DKI4 (Lubang Buaya)   72  53  11  85  15  85       O3
## 3457  2017-11-17 DKI4 (Lubang Buaya)   51  53  20 126  18 126       O3
## 3458  2017-11-18 DKI4 (Lubang Buaya)   55  53  16  55  10  55     PM10
## 3462  2017-11-22 DKI4 (Lubang Buaya)   65  53  13 117  10 117       O3
## 3463  2017-11-23 DKI4 (Lubang Buaya)   51  53  10  50   8  53      SO2
## 3464  2017-11-24 DKI4 (Lubang Buaya)   38  53   6  31   6  53      SO2
## 3465  2017-11-25 DKI4 (Lubang Buaya)   40  53   6  24   7  53      SO2
## 3595  2017-12-02 DKI4 (Lubang Buaya)   35  26   8  22   5  35     PM10
## 3598  2017-12-05 DKI4 (Lubang Buaya)   37  27   7  50   6  50       O3
## 3599  2017-12-06 DKI4 (Lubang Buaya)   43  28   6  86   7  86       O3
## 3600  2017-12-07 DKI4 (Lubang Buaya)   41  31   5  66   8  66       O3
## 3605  2017-12-12 DKI4 (Lubang Buaya)   24  27  12  46   8  46       O3
## 3607  2017-12-14 DKI4 (Lubang Buaya)   35  28   7  58  13  58       O3
## 3608  2017-12-15 DKI4 (Lubang Buaya)   41  28   7  35   7  41     PM10
## 3609  2017-12-16 DKI4 (Lubang Buaya)   63  29  14  38   7  63     PM10
## 3613  2017-12-20 DKI4 (Lubang Buaya)   39  28   8  33   9  39     PM10
## 3614  2017-12-21 DKI4 (Lubang Buaya)   35  28  15  34   7  35     PM10
## 3622  2017-12-29 DKI4 (Lubang Buaya)   72  35  27  77  13  77       O3
## 3623  2017-12-30 DKI4 (Lubang Buaya)   60  34  19  56   9  60     PM10
## 3624  2017-12-31 DKI4 (Lubang Buaya)   63  33  25  36   9  63     PM10
## 3749  2018-01-01 DKI4 (Lubang Buaya)   76  31  31  33   6  76     PM10
## 3750  2018-01-02 DKI4 (Lubang Buaya)   23  31   7  36   3  36       O3
## 3751  2018-01-03 DKI4 (Lubang Buaya)   53  35  16  96  10  96       O3
## 3752  2018-01-04 DKI4 (Lubang Buaya)   53  33  12  49   9  53     PM10
## 3753  2018-01-05 DKI4 (Lubang Buaya)   44  32  12  18   6  44     PM10
## 3754  2018-01-06 DKI4 (Lubang Buaya)   18  30   5  21   4  30      SO2
## 3755  2018-01-07 DKI4 (Lubang Buaya)   26  30   8  19   5  30      SO2
## 3756  2018-01-08 DKI4 (Lubang Buaya)   62  32  16  48   6  62     PM10
## 3757  2018-01-09 DKI4 (Lubang Buaya)   45  32  11  37   7  45     PM10
## 3758  2018-01-10 DKI4 (Lubang Buaya)   36  34  12  55   9  55       O3
## 3759  2018-01-11 DKI4 (Lubang Buaya)   37  38   9  43   7  43       O3
## 3760  2018-01-12 DKI4 (Lubang Buaya)   37  33  13  47   9  47       O3
## 3762  2018-01-14 DKI4 (Lubang Buaya)   26  72   7  29   5  72      SO2
## 3765  2018-01-17 DKI4 (Lubang Buaya)   35  52  12  28  11  52      SO2
## 3767  2018-01-19 DKI4 (Lubang Buaya)   36  51  29  24  13  51      SO2
## 3768  2018-01-20 DKI4 (Lubang Buaya)   24  51   7  29   5  51      SO2
## 3769  2018-01-21 DKI4 (Lubang Buaya)   21  51   6  31   4  51      SO2
## 3770  2018-01-22 DKI4 (Lubang Buaya)   20  52   7  25   3  52      SO2
## 3771  2018-01-23 DKI4 (Lubang Buaya)   22  52   7  45   5  52      SO2
## 3772  2018-01-24 DKI4 (Lubang Buaya)   33  53  15  38   7  53      SO2
## 3773  2018-01-25 DKI4 (Lubang Buaya)   21  53   8  23   6  53      SO2
## 3774  2018-01-26 DKI4 (Lubang Buaya)   18  53   7  19   5  53      SO2
## 3775  2018-01-27 DKI4 (Lubang Buaya)   23  54   6  31   4  54      SO2
## 3776  2018-01-28 DKI4 (Lubang Buaya)   34  55   9  33   6  55      SO2
## 3777  2018-01-29 DKI4 (Lubang Buaya)   16  54   8  13   5  54      SO2
## 3779  2018-01-31 DKI4 (Lubang Buaya)   21  54   8  31   5  54      SO2
## 3895  2018-02-01 DKI4 (Lubang Buaya)   37  43  21  40   9  43      SO2
## 3896  2018-02-02 DKI4 (Lubang Buaya)   44  45  33  41  12  45      SO2
## 3897  2018-02-03 DKI4 (Lubang Buaya)   39  44  16  39  12  44      SO2
## 3898  2018-02-04 DKI4 (Lubang Buaya)   32  47  17  34  11  47      SO2
## 3899  2018-02-05 DKI4 (Lubang Buaya)   26  46  11  26   7  46      SO2
## 3900  2018-02-06 DKI4 (Lubang Buaya)   45  48  23  38  11  48      SO2
## 3901  2018-02-07 DKI4 (Lubang Buaya)   42  50  23  35  11  50      SO2
## 3902  2018-02-08 DKI4 (Lubang Buaya)   52  49  38  31  11  52     PM10
## 3904  2018-02-10 DKI4 (Lubang Buaya)   40   2  30  34  10  40     PM10
## 3905  2018-02-11 DKI4 (Lubang Buaya)   35   3  12  29   7  35     PM10
## 3906  2018-02-12 DKI4 (Lubang Buaya)   50   2  24  40   7  50     PM10
## 3907  2018-02-13 DKI4 (Lubang Buaya)   57   2  17  38  10  57     PM10
## 3909  2018-02-15 DKI4 (Lubang Buaya)   55   2  47  22  12  55     PM10
## 3910  2018-02-16 DKI4 (Lubang Buaya)   19   2  11  31   5  31       O3
## 3911  2018-02-17 DKI4 (Lubang Buaya)   53   3  18  31  11  53     PM10
## 3912  2018-02-18 DKI4 (Lubang Buaya)   30   3  11  45   6  45       O3
## 3913  2018-02-19 DKI4 (Lubang Buaya)   30   3  11  34   7  34       O3
## 3914  2018-02-20 DKI4 (Lubang Buaya)   45   5  22  41  11  45     PM10
## 3915  2018-02-21 DKI4 (Lubang Buaya)   57   5  12  41  11  57     PM10
## 3916  2018-02-22 DKI4 (Lubang Buaya)   53   4  20  35  10  53     PM10
## 3917  2018-02-23 DKI4 (Lubang Buaya)   64   5  20  61  14  64     PM10
## 3918  2018-02-24 DKI4 (Lubang Buaya)   41   2  12  42  10  42       O3
## 3921  2018-02-27 DKI4 (Lubang Buaya)   37   3  19  52  12  52       O3
## 3922  2018-02-28 DKI4 (Lubang Buaya)   54   2  16  43  10  54     PM10
## 4044  2018-03-01 DKI4 (Lubang Buaya)   72   3  27  70  15  72     PM10
## 4045  2018-03-02 DKI4 (Lubang Buaya)   51   4  18  95  11  95       O3
## 4046  2018-03-03 DKI4 (Lubang Buaya)   62   6  12  54  18  62     PM10
## 4047  2018-03-04 DKI4 (Lubang Buaya)   60   5  23  95  19  95       O3
## 4048  2018-03-05 DKI4 (Lubang Buaya)   61   4  27  50  11  61     PM10
## 4049  2018-03-06 DKI4 (Lubang Buaya)   64  24  21  62  13  64     PM10
## 4050  2018-03-07 DKI4 (Lubang Buaya)   55  21  27  32  10  55     PM10
## 4051  2018-03-08 DKI4 (Lubang Buaya)   50  21  14  44   9  50     PM10
## 4052  2018-03-09 DKI4 (Lubang Buaya)   53  22  21  48  12  53     PM10
## 4053  2018-03-10 DKI4 (Lubang Buaya)   53  23  23  27   9  53     PM10
## 4054  2018-03-11 DKI4 (Lubang Buaya)   39  22  14  32   8  39     PM10
## 4055  2018-03-12 DKI4 (Lubang Buaya)   32  22  16  40   9  40       O3
## 4056  2018-03-13 DKI4 (Lubang Buaya)   33  25   9  33   5  33     PM10
## 4057  2018-03-14 DKI4 (Lubang Buaya)   58  28  16  61   8  61       O3
## 4058  2018-03-15 DKI4 (Lubang Buaya)   56  24  15  42   9  56     PM10
## 4059  2018-03-16 DKI4 (Lubang Buaya)   75  26  15  66  11  75     PM10
## 4060  2018-03-17 DKI4 (Lubang Buaya)   66  22  16  46  18  66     PM10
## 4061  2018-03-18 DKI4 (Lubang Buaya)   64  23  39  85   8  85       O3
## 4062  2018-03-19 DKI4 (Lubang Buaya)   41  23  14  79   9  79       O3
## 4063  2018-03-20 DKI4 (Lubang Buaya)   46  22  12  88  22  88       O3
## 4064  2018-03-21 DKI4 (Lubang Buaya)   62  21  31  87  13  87       O3
## 4065  2018-03-22 DKI4 (Lubang Buaya)   27  21   8  39   6  39       O3
## 4066  2018-03-23 DKI4 (Lubang Buaya)   75  22  30  90  10  90       O3
## 4067  2018-03-24 DKI4 (Lubang Buaya)   60  23  15  37  11  60     PM10
## 4068  2018-03-25 DKI4 (Lubang Buaya)   36  21  11  38   9  38       O3
## 4069  2018-03-26 DKI4 (Lubang Buaya)   51  21  21  36  12  51     PM10
## 4070  2018-03-27 DKI4 (Lubang Buaya)   41  22  11  43   6  43       O3
## 4071  2018-03-28 DKI4 (Lubang Buaya)   75  23  30  66  26  75     PM10
## 4072  2018-03-29 DKI4 (Lubang Buaya)   71  25  22 105  19 105       O3
## 4073  2018-03-30 DKI4 (Lubang Buaya)   56  25  20  68  30  68       O3
## 4074  2018-03-31 DKI4 (Lubang Buaya)   37  22   9  39   8  39       O3
## 4196  2018-04-01 DKI4 (Lubang Buaya)   37  21   7  42   4  42       O3
## 4197  2018-04-02 DKI4 (Lubang Buaya)   36  22  12  37   5  37       O3
## 4198  2018-04-03 DKI4 (Lubang Buaya)   47  22  19  39  11  47     PM10
## 4199  2018-04-04 DKI4 (Lubang Buaya)   39  24   9  48  14  48       O3
## 4200  2018-04-05 DKI4 (Lubang Buaya)   81  28  23  91  14  91       O3
## 4201  2018-04-06 DKI4 (Lubang Buaya)   52  24  14  46  11  52     PM10
## 4202  2018-04-07 DKI4 (Lubang Buaya)   68  24  24  41   9  68     PM10
## 4203  2018-04-08 DKI4 (Lubang Buaya)   43  23   9  27   8  43     PM10
## 4204  2018-04-09 DKI4 (Lubang Buaya)   51  22  15  49   7  51     PM10
## 4205  2018-04-10 DKI4 (Lubang Buaya)   45  23  15  43   9  45     PM10
## 4206  2018-04-11 DKI4 (Lubang Buaya)   71  24  23  48  11  71     PM10
## 4207  2018-04-12 DKI4 (Lubang Buaya)   67  24  11  26   8  67     PM10
## 4210  2018-04-15 DKI4 (Lubang Buaya)   59  24  17  63  11  63       O3
## 4211  2018-04-16 DKI4 (Lubang Buaya)   65  23  27  71  13  71       O3
## 4212  2018-03-17 DKI4 (Lubang Buaya)   63  23  24  69  16  69       O3
## 4213  2018-04-18 DKI4 (Lubang Buaya)   81  25  21  75  14  81     PM10
## 4214  2018-04-19 DKI4 (Lubang Buaya)   86  25  33  59  18  86     PM10
## 4215  2018-04-20 DKI4 (Lubang Buaya)   76  24  24  33  11  76     PM10
## 4216  2018-04-21 DKI4 (Lubang Buaya)   73  23  41  58  13  73     PM10
## 4217  2018-04-22 DKI4 (Lubang Buaya)   70  26  29  45  14  70     PM10
## 4218  2018-03-23 DKI4 (Lubang Buaya)   51  22  30  43  11  51     PM10
## 4219  2018-04-24 DKI4 (Lubang Buaya)   54  23  32  45  15  54     PM10
## 4220  2018-04-25 DKI4 (Lubang Buaya)   56  23  37  18  10  56     PM10
## 4221  2018-04-26 DKI4 (Lubang Buaya)   63  24  33  13  12  63     PM10
## 4223  2018-04-28 DKI4 (Lubang Buaya)   41  25  13  55  11  55       O3
## 4224  2018-04-29 DKI4 (Lubang Buaya)   54  23  21  66   9  66       O3
## 4225  2018-04-30 DKI4 (Lubang Buaya)   78  24  29  89  22  89       O3
## 4349  2018-05-01 DKI4 (Lubang Buaya)   73  25  14  57   8  73     PM10
## 4350  2018-05-02 DKI4 (Lubang Buaya)   88  25  20  75  15  88     PM10
## 4351  2018-05-03 DKI4 (Lubang Buaya)  103  27  23  70  16 103     PM10
## 4352  2018-05-04 DKI4 (Lubang Buaya)   87  24  46  60  15  87     PM10
## 4353  2018-05-05 DKI4 (Lubang Buaya)   72  26  27  65  13  72     PM10
## 4354  2018-05-06 DKI4 (Lubang Buaya)   70  26  11  46  10  70     PM10
## 4355  2018-05-07 DKI4 (Lubang Buaya)   68  27  13  40   9  68     PM10
## 4356  2018-05-08 DKI4 (Lubang Buaya)   79  26  18  96  14  96       O3
## 4357  2018-05-09 DKI4 (Lubang Buaya)   93  27  21  60  12  93     PM10
## 4358  2018-05-10 DKI4 (Lubang Buaya)   73  25  12  57  10  73     PM10
## 4359  2018-05-11 DKI4 (Lubang Buaya)   74  27  12  41  12  74     PM10
## 4360  2018-05-12 DKI4 (Lubang Buaya)  103  27  27  75  11 103     PM10
## 4361  2018-05-13 DKI4 (Lubang Buaya)   96  26  23  61  11  96     PM10
## 4362  2018-05-14 DKI4 (Lubang Buaya)   87  26  15  92  10  92       O3
## 4363  2018-05-15 DKI4 (Lubang Buaya)   94  27  24  74  15  94     PM10
## 4364  2018-05-16 DKI4 (Lubang Buaya)   87  28  15  53   9  87     PM10
## 4365  2018-05-17 DKI4 (Lubang Buaya)   65  25  16  39  11  65     PM10
## 4366  2018-05-18 DKI4 (Lubang Buaya)   74  26  20  42   9  74     PM10
## 4367  2018-05-19 DKI4 (Lubang Buaya)   59  24  13  62   9  62       O3
## 4368  2018-05-20 DKI4 (Lubang Buaya)   57  25  29  49  10  57     PM10
## 4369  2018-05-21 DKI4 (Lubang Buaya)   56  25  20  60   9  60       O3
## 4370  2018-05-22 DKI4 (Lubang Buaya)   55  25  12  34   7  55     PM10
## 4371  2018-05-23 DKI4 (Lubang Buaya)   58  26  10  30   9  58     PM10
## 4372  2018-05-24 DKI4 (Lubang Buaya)   42  25  12  53   8  53       O3
## 4373  2018-05-25 DKI4 (Lubang Buaya)   61  26  22  57  10  61     PM10
## 4374  2018-05-26 DKI4 (Lubang Buaya)   71  29  15  51  11  71     PM10
## 4375  2018-05-27 DKI4 (Lubang Buaya)   62  26  22  56   8  62     PM10
## 4376  2018-05-28 DKI4 (Lubang Buaya)   61  24  55  64   9  64       O3
## 4377  2018-05-29 DKI4 (Lubang Buaya)   84  28  20  57  12  84     PM10
## 4378  2018-05-30 DKI4 (Lubang Buaya)   86  25  24  67  13  86     PM10
## 4379  2018-05-31 DKI4 (Lubang Buaya)   83  28  21 114  20 114       O3
## 4501  2018-06-01 DKI4 (Lubang Buaya)   69  25  23  94  11  94       O3
## 4502  2018-06-02 DKI4 (Lubang Buaya)   78  26  13  46  10  78     PM10
## 4503  2018-06-03 DKI4 (Lubang Buaya)   82  26  16  61   8  82     PM10
## 4504  2018-06-04 DKI4 (Lubang Buaya)   73  27  11  61   9  73     PM10
## 4505  2018-06-05 DKI4 (Lubang Buaya)   67  26  11  70   8  70       O3
## 4506  2018-06-06 DKI4 (Lubang Buaya)   78  26  13  71   8  78     PM10
## 4507  2018-06-07 DKI4 (Lubang Buaya)   79  25  15  86   7  86       O3
## 4508  2018-06-08 DKI4 (Lubang Buaya)   68  27  13  62  10  68     PM10
## 4509  2018-06-09 DKI4 (Lubang Buaya)  100  27  39  73  19 100     PM10
## 4510  2018-06-10 DKI4 (Lubang Buaya)   75  26  23 107  11 107       O3
## 4511  2018-06-11 DKI4 (Lubang Buaya)   70  27  11  96   8  96       O3
## 4512  2018-06-12 DKI4 (Lubang Buaya)   66  26  13  67   7  67       O3
## 4513  2018-06-13 DKI4 (Lubang Buaya)   64  25  30  66   8  66       O3
## 4514  2018-06-14 DKI4 (Lubang Buaya)   55  25  13  51   4  55     PM10
## 4515  2018-06-15 DKI4 (Lubang Buaya)   56  26  18  60   8  60       O3
## 4516  2018-06-16 DKI4 (Lubang Buaya)   61  25  24  49  10  61     PM10
## 4517  2018-06-17 DKI4 (Lubang Buaya)   48  27   7  42   5  48     PM10
## 4518  2018-06-18 DKI4 (Lubang Buaya)   51  27   6  36   4  51     PM10
## 4519  2018-06-19 DKI4 (Lubang Buaya)   60  26  10  44   8  60     PM10
## 4520  2018-06-20 DKI4 (Lubang Buaya)   73  26  14  37   6  73     PM10
## 4521  2018-06-21 DKI4 (Lubang Buaya)   51  27   6  34   5  51     PM10
## 4522  2018-06-22 DKI4 (Lubang Buaya)   66  28  16  31  10  66     PM10
## 4523  2018-06-23 DKI4 (Lubang Buaya)   81  27  14  29   7  81     PM10
## 4524  2018-06-24 DKI4 (Lubang Buaya)   50  25   9  62   7  62       O3
## 4525  2018-06-25 DKI4 (Lubang Buaya)   35  25  11  54   8  54       O3
## 4526  2018-06-26 DKI4 (Lubang Buaya)   44  26  26  63  11  63       O3
## 4527  2018-06-27 DKI4 (Lubang Buaya)   60  26  22  48  14  60     PM10
## 4528  2018-06-28 DKI4 (Lubang Buaya)   69  27  24  72  10  72       O3
## 4529  2018-06-29 DKI4 (Lubang Buaya)   65  28  14  66   9  66       O3
## 4530  2018-06-30 DKI4 (Lubang Buaya)   65  30  13  99  12  99       O3
## 4654  2018-07-01 DKI4 (Lubang Buaya)   96  28  27  97  13  97       O3
## 4655  2018-07-02 DKI4 (Lubang Buaya)   79  29  21  48  11  79     PM10
## 4656  2018-07-03 DKI4 (Lubang Buaya)   79  29  18  95  10  95       O3
## 4657  2018-07-04 DKI4 (Lubang Buaya)  104  31  24  96  16 104     PM10
## 4658  2018-07-05 DKI4 (Lubang Buaya)   63  29  14  62  11  63     PM10
## 4659  2018-07-06 DKI4 (Lubang Buaya)   74  31  12  84  11  84       O3
## 4660  2018-07-07 DKI4 (Lubang Buaya)   95  30  32  55  15  95     PM10
## 4661  2018-07-08 DKI4 (Lubang Buaya)   95  29  30  50  14  95     PM10
## 4662  2018-07-09 DKI4 (Lubang Buaya)   63  29  12  76  13  76       O3
## 4663  2018-07-10 DKI4 (Lubang Buaya)   87  29  19  45  11  87     PM10
## 4664  2018-07-11 DKI4 (Lubang Buaya)   70  32  16  48  14  70     PM10
## 4665  2018-07-12 DKI4 (Lubang Buaya)   74  32  12  77  10  77       O3
## 4667  2018-07-14 DKI4 (Lubang Buaya)   84  33  18  81  14  84     PM10
## 4668  2018-07-15 DKI4 (Lubang Buaya)   59  29  10  86  10  86       O3
## 4669  2018-07-16 DKI4 (Lubang Buaya)   61  33  11  87  12  87       O3
## 4670  2018-07-17 DKI4 (Lubang Buaya)   81  30  20  86  12  86       O3
## 4671  2018-07-18 DKI4 (Lubang Buaya)   88  29  19  77  14  88     PM10
## 4672  2018-07-19 DKI4 (Lubang Buaya)   82  30  14  72  13  82     PM10
## 4673  2018-07-20 DKI4 (Lubang Buaya)   79  30  14  57  11  79     PM10
## 4674  2018-07-21 DKI4 (Lubang Buaya)   74  32   9  79   9  79       O3
## 4675  2018-07-22 DKI4 (Lubang Buaya)   77  29  21  48  11  77     PM10
## 4677  2018-07-24 DKI4 (Lubang Buaya)   92  32  22  72  15  92     PM10
## 4678  2018-07-25 DKI4 (Lubang Buaya)   75  29  18  91  11  91       O3
## 4679  2018-07-26 DKI4 (Lubang Buaya)   78  33  21  80  12  80       O3
## 4680  2018-07-27 DKI4 (Lubang Buaya)   86  31  14  95  12  95       O3
## 4681  2018-07-28 DKI4 (Lubang Buaya)   92  32  28 118  13 118       O3
## 4682  2018-07-29 DKI4 (Lubang Buaya)   74  30  19  89  13  89       O3
## 4683  2018-07-30 DKI4 (Lubang Buaya)   92  31  22  78  16  92     PM10
## 4684  2018-07-31 DKI4 (Lubang Buaya)   79  29  16  83  10  83       O3
## 4809  2018-08-01 DKI4 (Lubang Buaya)   86  31  17  92  14  92       O3
## 4810  2018-08-02 DKI4 (Lubang Buaya)   68  31   8 103  13 103       O3
## 4811  2018-08-03 DKI4 (Lubang Buaya)   68  32  11  88  14  88       O3
## 4812  2018-08-04 DKI4 (Lubang Buaya)   59  31   8  87  12  87       O3
## 4813  2018-08-05 DKI4 (Lubang Buaya)   65  35  11  84  11  84       O3
## 4814  2018-08-06 DKI4 (Lubang Buaya)   71  34  10  97  11  97       O3
## 4815  2018-08-07 DKI4 (Lubang Buaya)   79  34  19  79  13  79     PM10
## 4818  2018-08-10 DKI4 (Lubang Buaya)   65  33   7  63  16  65     PM10
## 4820  2018-08-12 DKI4 (Lubang Buaya)   77  31  14  63  11  77     PM10
## 4821  2018-08-13 DKI4 (Lubang Buaya)   66  30   9  55   7  66     PM10
## 4822  2018-08-14 DKI4 (Lubang Buaya)   72  31   7  65   9  72     PM10
## 4823  2018-08-15 DKI4 (Lubang Buaya)   62  30   8  67  11  67       O3
## 4824  2018-08-16 DKI4 (Lubang Buaya)   70  31  11  79   9  79       O3
## 4825  2018-08-17 DKI4 (Lubang Buaya)   62  31   7  76   7  76       O3
## 4826  2018-08-18 DKI4 (Lubang Buaya)   62  30  10  85   7  85       O3
## 4827  2018-08-19 DKI4 (Lubang Buaya)   79  32  15  70  13  79     PM10
## 4828  2018-08-20 DKI4 (Lubang Buaya)   80  30  17  51  11  80     PM10
## 4829  2018-08-21 DKI4 (Lubang Buaya)   73  32  12  76  11  76       O3
## 4830  2018-08-22 DKI4 (Lubang Buaya)   62  31   7  89   9  89       O3
## 4831  2018-08-23 DKI4 (Lubang Buaya)   60  30   8  89  16  89       O3
## 4832  2018-08-24 DKI4 (Lubang Buaya)   81  32  16  50  18  81     PM10
## 4833  2018-08-25 DKI4 (Lubang Buaya)   76  31  10  58  10  76     PM10
## 4834  2018-08-26 DKI4 (Lubang Buaya)   75  30  12  66   9  75     PM10
## 4835  2018-08-27 DKI4 (Lubang Buaya)   79  31  13  77  13  79     PM10
## 4836  2018-08-28 DKI4 (Lubang Buaya)   83  31  11  81  12  83     PM10
## 4837  2018-08-29 DKI4 (Lubang Buaya)   67  30  10  50  10  67     PM10
## 4838  2018-08-30 DKI4 (Lubang Buaya)   85  31  10  61  10  85     PM10
## 4839  2018-08-31 DKI4 (Lubang Buaya)   65  30   8  65   9  65     PM10
## 4961  2018-09-01 DKI4 (Lubang Buaya)   68  29  15  77  11  77       O3
## 4962  2018-09-02 DKI4 (Lubang Buaya)   73  30  14  65   8  73     PM10
## 4964  2018-09-04 DKI4 (Lubang Buaya)   52  37   7  71  24  71       O3
## 4965  2018-09-05 DKI4 (Lubang Buaya)   51  31   9  75  12  75       O3
## 4968  2018-09-08 DKI4 (Lubang Buaya)   47  33   9  72  10  72       O3
## 4969  2018-09-09 DKI4 (Lubang Buaya)   81  34  24  43  13  81     PM10
## 4970  2018-09-10 DKI4 (Lubang Buaya)   69  33  13  52  11  69     PM10
## 4971  2018-09-11 DKI4 (Lubang Buaya)   63  33  10  43  11  63     PM10
## 4972  2018-09-12 DKI4 (Lubang Buaya)   61  32   6  54  13  61     PM10
## 4973  2018-09-13 DKI4 (Lubang Buaya)   69  35  10  80  13  80       O3
## 4974  2018-09-14 DKI4 (Lubang Buaya)   62  36   9  80   8  80       O3
## 4975  2018-09-15 DKI4 (Lubang Buaya)   68  37  11 109  23 109       O3
## 4976  2018-09-16 DKI4 (Lubang Buaya)   82  34  12  63  11  82     PM10
## 4977  2018-09-17 DKI4 (Lubang Buaya)   62  33  12  45  12  62     PM10
## 4978  2018-09-18 DKI4 (Lubang Buaya)   64  32  12  49   9  64     PM10
## 4979  2018-09-19 DKI4 (Lubang Buaya)   58  34   8  40  10  58     PM10
## 4980  2018-09-20 DKI4 (Lubang Buaya)   70  34  12  42  11  70     PM10
## 4981  2018-09-21 DKI4 (Lubang Buaya)   80  33  18  34  11  80     PM10
## 4982  2018-09-22 DKI4 (Lubang Buaya)   55  33  18  83  12  83       O3
## 4983  2018-09-23 DKI4 (Lubang Buaya)   84  33  18  70  10  84     PM10
## 4984  2018-09-24 DKI4 (Lubang Buaya)   69  33  19  61  13  69     PM10
## 4985  2018-09-25 DKI4 (Lubang Buaya)   78  32  20  86  12  86       O3
## 4986  2018-09-26 DKI4 (Lubang Buaya)   94  33  18  77  15  94     PM10
## 4987  2018-09-27 DKI4 (Lubang Buaya)   72  34  13  93   9  93       O3
## 4988  2018-09-28 DKI4 (Lubang Buaya)   70  33  16  67  10  70     PM10
## 4989  2018-09-29 DKI4 (Lubang Buaya)   62  33  10  78  10  78       O3
## 4990  2018-09-30 DKI4 (Lubang Buaya)   63  32  12  68  11  68       O3
## 5114  2018-10-01 DKI4 (Lubang Buaya)   92  33  11  77   9  92     PM10
## 5115  2018-10-02 DKI4 (Lubang Buaya)   76  31  18  52  11  76     PM10
## 5116  2018-10-03 DKI4 (Lubang Buaya)   70  32   8  74  10  74       O3
## 5117  2018-10-04 DKI4 (Lubang Buaya)   73  32  11  72   7  73     PM10
## 5118  2018-10-05 DKI4 (Lubang Buaya)   67  34   6  67   5  67     PM10
## 5119  2018-10-06 DKI4 (Lubang Buaya)   70  33   6  69   6  70     PM10
## 5120  2018-10-07 DKI4 (Lubang Buaya)   87  34  12  49   9  87     PM10
## 5121  2018-10-08 DKI4 (Lubang Buaya)   66  34   9  61   7  66     PM10
## 5122  2018-10-09 DKI4 (Lubang Buaya)   62  34   7  61   8  62     PM10
## 5123  2018-10-10 DKI4 (Lubang Buaya)   79  36  15  87  13  87       O3
## 5124  2018-10-11 DKI4 (Lubang Buaya)   81  36  11  64  11  81     PM10
## 5125  2018-10-12 DKI4 (Lubang Buaya)   77  33  11  66   9  77     PM10
## 5126  2018-10-13 DKI4 (Lubang Buaya)   64  35  10  89  11  89       O3
## 5127  2018-10-14 DKI4 (Lubang Buaya)   86  35  11  68   9  86     PM10
## 5128  2018-10-15 DKI4 (Lubang Buaya)   73  33  11  65  11  73     PM10
## 5129  2018-10-16 DKI4 (Lubang Buaya)   74  33  14  84  10  84       O3
## 5130  2018-10-17 DKI4 (Lubang Buaya)   71  34  12  93  12  93       O3
## 5131  2018-10-18 DKI4 (Lubang Buaya)   61  36   6  93  14  93       O3
## 5132  2018-10-19 DKI4 (Lubang Buaya)   64  30  15  76   8  76       O3
## 5133  2018-10-20 DKI4 (Lubang Buaya)   57  28  11  84  13  84       O3
## 5134  2018-10-21 DKI4 (Lubang Buaya)   65  26  20  62   9  65     PM10
## 5135  2018-10-22 DKI4 (Lubang Buaya)   71  26  13  75   6  75       O3
## 5136  2018-10-23 DKI4 (Lubang Buaya)   44  26  14  64   8  64       O3
## 5137  2018-10-24 DKI4 (Lubang Buaya)   62  27  30  90   9  90       O3
## 5138  2018-10-25 DKI4 (Lubang Buaya)   67  28  21  76   9  76       O3
## 5140  2018-10-27 DKI4 (Lubang Buaya)   77  25  17  66   9  77     PM10
## 5141  2018-10-28 DKI4 (Lubang Buaya)   39  23  12  58   6  58       O3
## 5143  2018-10-30 DKI4 (Lubang Buaya)   61  26  15  57   7  61     PM10
## 5144  2018-10-31 DKI4 (Lubang Buaya)   47  23  14  59   6  59       O3
## 5266  2018-11-01 DKI4 (Lubang Buaya)   74  24  19  69  10  74     PM10
## 5267  2018-11-02 DKI4 (Lubang Buaya)   48  24  12  47   7  48     PM10
## 5268  2018-11-03 DKI4 (Lubang Buaya)   60  25  24  60  12  60     PM10
## 5269  2018-11-04 DKI4 (Lubang Buaya)   55  23  26  71   9  71       O3
## 5270  2018-11-05 DKI4 (Lubang Buaya)   56  23  17  77   3  77       O3
## 5271  2018-11-06 DKI4 (Lubang Buaya)   44  24  13  74  11  74       O3
## 5272  2018-11-07 DKI4 (Lubang Buaya)   54  24  22  86  11  86       O3
## 5273  2018-11-08 DKI4 (Lubang Buaya)   56  25  18  72   9  72       O3
## 5274  2018-11-09 DKI4 (Lubang Buaya)   61  24  20  65  15  65       O3
## 5275  2018-11-10 DKI4 (Lubang Buaya)   56  24  29  93  10  93       O3
## 5276  2018-11-11 DKI4 (Lubang Buaya)   63  24  33  62   9  63     PM10
## 5277  2018-11-12 DKI4 (Lubang Buaya)   51  24  31  52  11  52       O3
## 5278  2018-11-13 DKI4 (Lubang Buaya)   62  23  25  66  14  66       O3
## 5279  2018-11-14 DKI4 (Lubang Buaya)   46  23  17  41  10  46     PM10
## 5280  2018-11-15 DKI4 (Lubang Buaya)   27  23  11  33   4  33       O3
## 5281  2018-11-16 DKI4 (Lubang Buaya)   51  26  15 101   9 101       O3
## 5282  2018-11-17 DKI4 (Lubang Buaya)   59  31   9  93  13  93       O3
## 5283  2018-11-18 DKI4 (Lubang Buaya)   58  28  11  52   9  58     PM10
## 5284  2018-11-19 DKI4 (Lubang Buaya)   81  25  25  51  10  81     PM10
## 5285  2018-11-20 DKI4 (Lubang Buaya)   56  25  15  82  10  82       O3
## 5286  2018-11-21 DKI4 (Lubang Buaya)   59  25  17  93  15  93       O3
## 5287  2018-11-22 DKI4 (Lubang Buaya)   61  26  18  54  12  61     PM10
## 5288  2018-11-23 DKI4 (Lubang Buaya)   58  25  10  92  13  92       O3
## 5289  2018-11-24 DKI4 (Lubang Buaya)   58  24  29  72  12  72       O3
## 5290  2018-11-25 DKI4 (Lubang Buaya)   57  23  13  60   9  60       O3
## 5291  2018-11-26 DKI4 (Lubang Buaya)   72  24  26  63  10  72     PM10
## 5292  2018-11-27 DKI4 (Lubang Buaya)   57  24  27  61  10  61       O3
## 5293  2018-11-28 DKI4 (Lubang Buaya)   57  25   8  55  10  57     PM10
## 5294  2018-11-29 DKI4 (Lubang Buaya)   62  27  12  54  11  62     PM10
## 5295  2018-11-30 DKI4 (Lubang Buaya)   48  24   9  93  11  93       O3
## 5419  2018-12-01 DKI4 (Lubang Buaya)   53  26  16  61  13  61       O3
## 5420  2018-12-02 DKI4 (Lubang Buaya)   68  28  18  71   8  71       O3
## 5421  2018-12-03 DKI4 (Lubang Buaya)   63  31  17  55  11  63     PM10
## 5422  2018-12-04 DKI4 (Lubang Buaya)   51  24  17  56  11  56       O3
## 5423  2018-12-05 DKI4 (Lubang Buaya)   62  25  33  59   9  62     PM10
## 5424  2018-12-06 DKI4 (Lubang Buaya)   47  26  10  47   6  47     PM10
## 5425  2018-12-07 DKI4 (Lubang Buaya)   51  26  19  72   9  72       O3
## 5426  2018-12-08 DKI4 (Lubang Buaya)   59  25  18  63  11  63       O3
## 5427  2018-12-09 DKI4 (Lubang Buaya)   60  25  15  57   8  60     PM10
## 5428  2018-12-10 DKI4 (Lubang Buaya)   68  24  32  48  11  68     PM10
## 5429  2018-12-11 DKI4 (Lubang Buaya)   74  26  43 104  15 104       O3
## 5430  2018-12-12 DKI4 (Lubang Buaya)   58  26  30  67  11  67       O3
## 5431  2018-12-13 DKI4 (Lubang Buaya)   47  26  13  70  10  70       O3
## 5432  2018-12-14 DKI4 (Lubang Buaya)   41  24  11  60  10  60       O3
## 5434  2018-12-16 DKI4 (Lubang Buaya)   46  25   9  43   3  46     PM10
## 5436  2018-12-18 DKI4 (Lubang Buaya)   48  27   9  74  10  74       O3
## 5437  2018-12-19 DKI4 (Lubang Buaya)   62  27  20 118  10 118       O3
## 5438  2018-12-20 DKI4 (Lubang Buaya)   51  27  17  67  14  67       O3
## 5439  2018-12-21 DKI4 (Lubang Buaya)   34  25   8  37   5  37       O3
## 5440  2018-12-22 DKI4 (Lubang Buaya)   46  31  10  47   8  47       O3
## 5441  2018-12-23 DKI4 (Lubang Buaya)   39  26  12  42   7  42       O3
## 5442  2018-12-24 DKI4 (Lubang Buaya)   34  24   8  26   5  34     PM10
## 5443  2018-12-25 DKI4 (Lubang Buaya)   29  24   5  23   3  29     PM10
## 5444  2018-12-26 DKI4 (Lubang Buaya)   31  25   5  22   3  31     PM10
## 5445  2018-12-27 DKI4 (Lubang Buaya)   28  25   7  30   6  30       O3
## 5446  2018-12-28 DKI4 (Lubang Buaya)   25  24   4  23   3  25     PM10
## 5447  2018-12-29 DKI4 (Lubang Buaya)   30  24   4  21   2  30     PM10
## 5448  2018-12-30 DKI4 (Lubang Buaya)   48   8   3  21   3  48     PM10
## 5449  2018-12-31 DKI4 (Lubang Buaya)   33   8   6  20   4  33     PM10
## 5574  2019-01-01 DKI4 (Lubang Buaya)   16   7   6  24   3  24       O3
## 5575  2019-01-02 DKI4 (Lubang Buaya)   17   7   5  25   4  25       O3
## 5576  2019-01-03 DKI4 (Lubang Buaya)   15   7   5  26   4  26       O3
## 5577  2019-01-04 DKI4 (Lubang Buaya)   32   8   9  48   8  48       O3
## 5578  2019-01-05 DKI4 (Lubang Buaya)   50   9  10  51   8  51       O3
## 5579  2019-01-06 DKI4 (Lubang Buaya)   61  11  22  93  11  93       O3
## 5580  2019-01-07 DKI4 (Lubang Buaya)   70  17  16  62  11  70     PM10
## 5581  2019-01-08 DKI4 (Lubang Buaya)   51  22  11  84  15  84       O3
## 5585  2019-01-12 DKI4 (Lubang Buaya)   57  26  17  45  10  57     PM10
## 5586  2019-01-13 DKI4 (Lubang Buaya)   61  24  15  55  11  61     PM10
## 5587  2019-01-14 DKI4 (Lubang Buaya)   54  25  20  30  11  54     PM10
## 5588  2019-01-15 DKI4 (Lubang Buaya)   47  27  15  44  10  47     PM10
## 5589  2019-01-16 DKI4 (Lubang Buaya)   27  23   8  26   5  27     PM10
## 5590  2019-01-17 DKI4 (Lubang Buaya)   33  23  14  15   9  33     PM10
## 5591  2019-01-18 DKI4 (Lubang Buaya)   25  23   7  18   5  25     PM10
## 5592  2019-01-19 DKI4 (Lubang Buaya)   38  24  10  20   7  38     PM10
## 5593  2019-01-20 DKI4 (Lubang Buaya)   52  26  32  28  11  52     PM10
## 5594  2019-01-21 DKI4 (Lubang Buaya)   47  24  15  37   9  47     PM10
## 5595  2019-01-22 DKI4 (Lubang Buaya)   31  24  14  38   9  38       O3
## 5596  2019-01-23 DKI4 (Lubang Buaya)   46  23  23  32   9  46     PM10
## 5597  2019-01-24 DKI4 (Lubang Buaya)   39  19  19  33  10  39     PM10
## 5598  2019-01-25 DKI4 (Lubang Buaya)   26  15  23  27   7  27       O3
## 5599  2019-01-26 DKI4 (Lubang Buaya)   43  14  37  39   9  43     PM10
## 5600  2019-01-27 DKI4 (Lubang Buaya)   40  13  49  33   8  49       CO
## 5601  2019-01-28 DKI4 (Lubang Buaya)   32  20  28  28   8  32     PM10
## 5602  2019-01-29 DKI4 (Lubang Buaya)   33  19  33  27   8  33     PM10
## 5603  2019-01-30 DKI4 (Lubang Buaya)   32  21  21  31   9  32     PM10
## 5604  2019-01-31 DKI4 (Lubang Buaya)   24  19  15  36   8  36       O3
## 5720  2019-02-01 DKI4 (Lubang Buaya)   39  19  31  48   7  48       O3
## 5721  2019-02-02 DKI4 (Lubang Buaya)   49  20  46  54   9  54       O3
## 5722  2019-02-03 DKI4 (Lubang Buaya)   64  20  34  46   6  64     PM10
## 5723  2019-02-04 DKI4 (Lubang Buaya)   47  19  23  37   5  47     PM10
## 5724  2019-02-05 DKI4 (Lubang Buaya)   43  19  29  36   6  43     PM10
## 5725  2019-02-06 DKI4 (Lubang Buaya)   36  20  17  41   6  41       O3
## 5726  2019-02-07 DKI4 (Lubang Buaya)   57  21  24  35   7  57     PM10
## 5727  2019-02-08 DKI4 (Lubang Buaya)   53  23  19  79  10  79       O3
## 5728  2019-02-09 DKI4 (Lubang Buaya)   55  21  25  52   8  55     PM10
## 5731  2019-02-12 DKI4 (Lubang Buaya)   51  20  25  50   7  51     PM10
## 5732  2019-02-13 DKI4 (Lubang Buaya)   63  21  26  34   9  63     PM10
## 5733  2019-02-14 DKI4 (Lubang Buaya)   73  20  36  59  10  73     PM10
## 5734  2019-02-15 DKI4 (Lubang Buaya)   54  20  15  39   7  54     PM10
## 5735  2019-02-16 DKI4 (Lubang Buaya)   27  20  11  72  10  72       O3
## 5736  2019-02-17 DKI4 (Lubang Buaya)   32  20  20  65  12  65       O3
## 5737  2019-02-18 DKI4 (Lubang Buaya)   47  20  31  72   9  72       O3
## 5738  2019-02-19 DKI4 (Lubang Buaya)   72  23  30  78  12  78       O3
## 5739  2019-02-20 DKI4 (Lubang Buaya)   63  22  22  70  12  70       O3
## 5740  2019-02-21 DKI4 (Lubang Buaya)   55  21  25  61   8  61       O3
## 5741  2019-02-22 DKI4 (Lubang Buaya)   56  20  34  40  12  56     PM10
## 5742  2019-02-23 DKI4 (Lubang Buaya)   33  20  14 100   9 100       O3
## 5743  2019-02-24 DKI4 (Lubang Buaya)   51  20  27  86   8  86       O3
## 5744  2019-02-25 DKI4 (Lubang Buaya)   54  20  23  78   9  78       O3
## 5745  2019-02-26 DKI4 (Lubang Buaya)   61  22  18  52   7  61     PM10
## 5746  2019-02-27 DKI4 (Lubang Buaya)   64  21  17  45   7  64     PM10
## 5747  2019-02-28 DKI4 (Lubang Buaya)   36  21  16  27   7  36     PM10
## 5870  2019-03-02 DKI4 (Lubang Buaya)   34  20  18  48   8  48       O3
## 5871  2019-03-03 DKI4 (Lubang Buaya)   35  20  12  74   8  74       O3
## 5872  2019-03-04 DKI4 (Lubang Buaya)   45  21  26  73   9  73       O3
## 5873  2019-03-05 DKI4 (Lubang Buaya)   33  20  17  73   9  73       O3
## 5874  2019-03-06 DKI4 (Lubang Buaya)   34  21  23  42  12  42       O3
## 5875  2019-03-07 DKI4 (Lubang Buaya)   45  21  23  79   9  79       O3
## 5876  2019-03-08 DKI4 (Lubang Buaya)   76  22  40  75  13  76     PM10
## 5877  2019-03-09 DKI4 (Lubang Buaya)   63  22  24 100  12 100       O3
## 5878  2019-03-10 DKI4 (Lubang Buaya)   50  21  23  49  15  50     PM10
## 5879  2019-03-11 DKI4 (Lubang Buaya)   52  21  19  30   8  52     PM10
## 5880  2019-03-12 DKI4 (Lubang Buaya)   32  20  13  26   9  32     PM10
## 5881  2019-03-13 DKI4 (Lubang Buaya)   49  21  17  66   8  66       O3
## 5882  2019-03-14 DKI4 (Lubang Buaya)   58  22  35  92  11  92       O3
## 5883  2019-03-15 DKI4 (Lubang Buaya)   68  23  22  77  12  77       O3
## 5884  2019-03-16 DKI4 (Lubang Buaya)   56  20  19  46   8  56     PM10
## 5885  2019-03-17 DKI4 (Lubang Buaya)   33  21  13  29   5  33     PM10
## 5886  2019-03-18 DKI4 (Lubang Buaya)   35  21  13  34   5  35     PM10
## 5888  2019-03-20 DKI4 (Lubang Buaya)   38  20   9  37   3  38     PM10
## 5889  2019-03-21 DKI4 (Lubang Buaya)   50  21  21  32   7  50     PM10
## 5890  2019-03-22 DKI4 (Lubang Buaya)   32  20  24  38   4  38       O3
## 5891  2019-03-23 DKI4 (Lubang Buaya)   25  20   8  25   3  25     PM10
## 5892  2019-03-24 DKI4 (Lubang Buaya)   31  20   5  20   2  31     PM10
## 5893  2019-03-25 DKI4 (Lubang Buaya)   34  20  11  30   7  34     PM10
## 5894  2019-03-26 DKI4 (Lubang Buaya)   63  21  36  60  10  63     PM10
## 5895  2019-03-27 DKI4 (Lubang Buaya)   57  22  17  83  10  83       O3
## 5896  2019-03-28 DKI4 (Lubang Buaya)   40  21  17  61  15  61       O3
## 5897  2019-03-29 DKI4 (Lubang Buaya)   62  24  10  63   9  63       O3
## 5899  2019-03-31 DKI4 (Lubang Buaya)   62  23  24  83   9  83       O3
## 6021  2019-04-01 DKI4 (Lubang Buaya)   59  21  37  93  10  93       O3
## 6022  2019-04-02 DKI4 (Lubang Buaya)   58  21  34  76  12  76       O3
## 6023  2019-04-03 DKI4 (Lubang Buaya)   59  21  31  56   9  59     PM10
## 6024  2019-04-04 DKI4 (Lubang Buaya)   58  21  23  71   8  71       O3
## 6025  2019-04-05 DKI4 (Lubang Buaya)   57  25  12  49  11  57     PM10
## 6030  2019-04-10 DKI4 (Lubang Buaya)   82  25  31 118  19 118       O3
## 6031  2019-04-11 DKI4 (Lubang Buaya)   54  22  20 125   8 125       O3
## 6032  2019-04-12 DKI4 (Lubang Buaya)   50  22  38  46   8  50     PM10
## 6033  2019-04-13 DKI4 (Lubang Buaya)   44  21  42  55   9  55       O3
## 6034  2019-04-14 DKI4 (Lubang Buaya)   45  22  37  91   9  91       O3
## 6035  2019-04-15 DKI4 (Lubang Buaya)   64  22  39  83  10  83       O3
## 6036  2019-04-16 DKI4 (Lubang Buaya)   62  22  43 109  11 109       O3
## 6037  2019-04-17 DKI4 (Lubang Buaya)   60  22  27  80   9  80       O3
## 6038  2019-04-18 DKI4 (Lubang Buaya)   73  21  16  66   8  73     PM10
## 6039  2019-04-19 DKI4 (Lubang Buaya)   60  22  13  31   5  60     PM10
## 6041  2019-04-21 DKI4 (Lubang Buaya)   58  22  12  49   4  58     PM10
## 6044  2019-04-24 DKI4 (Lubang Buaya)   41  22  12  30   6  41     PM10
## 6045  2019-04-25 DKI4 (Lubang Buaya)   59  22  22  60   9  60       O3
## 6046  2019-04-26 DKI4 (Lubang Buaya)   34  21  12  98   7  98       O3
## 6047  2019-04-27 DKI4 (Lubang Buaya)   48  21  14  45   8  48     PM10
## 6048  2019-04-28 DKI4 (Lubang Buaya)   59  22  22  45   8  59     PM10
## 6176  2019-05-03 DKI4 (Lubang Buaya)   50  26  13  90   7  90       O3
## 6178  2019-05-05 DKI4 (Lubang Buaya)   47  22  25  70   8  70       O3
## 6181  2019-05-08 DKI4 (Lubang Buaya)   77  23  52  72  13  77     PM10
## 6182  2019-05-09 DKI4 (Lubang Buaya)   65  23  32  68  16  68       O3
## 6183  2019-05-10 DKI4 (Lubang Buaya)   52  22  16  61  11  61       O3
## 6185  2019-05-12 DKI4 (Lubang Buaya)   69  22  16  76   6  76       O3
## 6186  2019-05-13 DKI4 (Lubang Buaya)   57  22  33  76  11  76       O3
## 6187  2019-05-14 DKI4 (Lubang Buaya)   78  23  22  55  10  78     PM10
## 6188  2019-05-15 DKI4 (Lubang Buaya)   68  24  15  59   8  68     PM10
## 6189  2019-05-16 DKI4 (Lubang Buaya)   55  22  22  88  15  88       O3
## 6190  2019-05-17 DKI4 (Lubang Buaya)   56  23  16  90  11  90       O3
## 6191  2019-05-18 DKI4 (Lubang Buaya)   67  25  23  83  10  83       O3
## 6192  2019-05-19 DKI4 (Lubang Buaya)   86  24  24  74  10  86     PM10
## 6193  2019-05-20 DKI4 (Lubang Buaya)   82  24  14  65   9  82     PM10
## 6194  2019-05-21 DKI4 (Lubang Buaya)   79  22  19  71   9  79     PM10
## 6195  2019-05-22 DKI4 (Lubang Buaya)   67  25  15  60  10  67     PM10
## 6196  2019-05-23 DKI4 (Lubang Buaya)   67  23  17  56   9  67     PM10
## 6197  2019-05-24 DKI4 (Lubang Buaya)   64  26  16  40  11  64     PM10
## 6198  2019-05-25 DKI4 (Lubang Buaya)   74  25  23  59   8  74     PM10
## 6199  2019-05-26 DKI4 (Lubang Buaya)   78  24  20  58   8  78     PM10
## 6200  2019-05-27 DKI4 (Lubang Buaya)   86  24  20  67   9  86     PM10
## 6201  2019-05-28 DKI4 (Lubang Buaya)   62  25  12  49   9  62     PM10
## 6202  2019-05-29 DKI4 (Lubang Buaya)   56  25  13  60   9  60       O3
## 6203  2019-05-30 DKI4 (Lubang Buaya)   53  23  16  59   9  59       O3
## 6204  2019-05-31 DKI4 (Lubang Buaya)   60  23  16  62   7  62       O3
## 6326  2019-06-01 DKI4 (Lubang Buaya)   53  23  13  71   7  71       O3
## 6327  2019-06-02 DKI4 (Lubang Buaya)   56  23  15  82   7  82       O3
## 6328  2019-06-03 DKI4 (Lubang Buaya)   53  23  17  69   8  69       O3
## 6329  2019-06-04 DKI4 (Lubang Buaya)   71  24  19  71  10  71     PM10
## 6330  2019-06-05 DKI4 (Lubang Buaya)   82  25  26  56  12  82     PM10
## 6331  2019-06-06 DKI4 (Lubang Buaya)   51  23   7  55   5  55       O3
## 6332  2019-06-07 DKI4 (Lubang Buaya)   45  24   6  54   5  54       O3
## 6333  2019-06-08 DKI4 (Lubang Buaya)   50  22   9  65   9  65       O3
## 6334  2019-06-09 DKI4 (Lubang Buaya)   48  23  14  85  11  85       O3
## 6335  2019-06-10 DKI4 (Lubang Buaya)   57  23  15  68   9  68       O3
## 6336  2019-06-11 DKI4 (Lubang Buaya)   56  24  19 104  10 104       O3
## 6337  2019-06-12 DKI4 (Lubang Buaya)   57  24  18  89  11  89       O3
## 6338  2019-06-13 DKI4 (Lubang Buaya)   79  24  23 148  12 148       O3
## 6339  2019-06-14 DKI4 (Lubang Buaya)   73  25  18  71   9  73     PM10
## 6340  2019-06-15 DKI4 (Lubang Buaya)   52  24  18  90  11  90       O3
## 6341  2019-06-16 DKI4 (Lubang Buaya)   61  24  15  91   7  91       O3
## 6342  2019-06-17 DKI4 (Lubang Buaya)   75  25  17  72  11  75     PM10
## 6343  2019-06-18 DKI4 (Lubang Buaya)   62  27   9  59  11  62     PM10
## 6344  2019-06-19 DKI4 (Lubang Buaya)   70  26  19  89  12  89       O3
## 6345  2019-06-20 DKI4 (Lubang Buaya)   84  25  27  88  12  88       O3
## 6346  2019-06-21 DKI4 (Lubang Buaya)   75  27  13  97  11  97       O3
## 6347  2019-06-22 DKI4 (Lubang Buaya)   74  28  18 133  10 133       O3
## 6348  2019-06-23 DKI4 (Lubang Buaya)   69  26  18  81  12  81       O3
## 6349  2019-06-24 DKI4 (Lubang Buaya)   72  27  17  90   8  90       O3
## 6350  2019-06-25 DKI4 (Lubang Buaya)   84  26  20  82  14  84     PM10
## 6351  2019-06-26 DKI4 (Lubang Buaya)   73  27  19  67  11  73     PM10
## 6352  2019-06-27 DKI4 (Lubang Buaya)   65  26  25 116  17 116       O3
## 6353  2019-06-28 DKI4 (Lubang Buaya)   69  29  17  82  17  82       O3
## 6354  2019-06-29 DKI4 (Lubang Buaya)   62  29  14  85   9  85       O3
## 6355  2019-06-30 DKI4 (Lubang Buaya)   64  27  15  83   8  83       O3
## 6479  2019-07-01 DKI4 (Lubang Buaya)   64  26  12  96  12  96       O3
## 6480  2019-07-02 DKI4 (Lubang Buaya)   71  26  13  88  11  88       O3
## 6481  2019-07-03 DKI4 (Lubang Buaya)   63  28  15  77  10  77       O3
## 6482  2019-07-04 DKI4 (Lubang Buaya)   77  25  14  60   9  77     PM10
## 6483  2019-07-05 DKI4 (Lubang Buaya)   67  26  15  75  10  75       O3
## 6484  2019-07-06 DKI4 (Lubang Buaya)   61  26  13  69  13  69       O3
## 6485  2019-07-07 DKI4 (Lubang Buaya)   55  26   6  51   6  55     PM10
## 6486  2019-07-08 DKI4 (Lubang Buaya)   55  27   8  72   6  72       O3
## 6487  2019-07-09 DKI4 (Lubang Buaya)   69  26  13  82  18  82       O3
## 6488  2019-07-10 DKI4 (Lubang Buaya)   64  31  11  85  15  85       O3
## 6489  2019-07-11 DKI4 (Lubang Buaya)   71  28  16  52  12  71     PM10
## 6490  2019-07-12 DKI4 (Lubang Buaya)   67  28  17  60  13  67     PM10
## 6491  2019-07-13 DKI4 (Lubang Buaya)   57  27  11 163   9 163       O3
## 6492  2019-07-14 DKI4 (Lubang Buaya)   80  29  16 160   9 160       O3
## 6493  2019-07-15 DKI4 (Lubang Buaya)   65  26  13  62   9  65     PM10
## 6494  2019-07-16 DKI4 (Lubang Buaya)   76  27  16  92  12  92       O3
## 6495  2019-07-17 DKI4 (Lubang Buaya)   59  27  11  91  12  91       O3
## 6496  2019-07-18 DKI4 (Lubang Buaya)   64  27  15  69   9  69       O3
## 6497  2019-07-19 DKI4 (Lubang Buaya)   63  28  16  46  12  63     PM10
## 6498  2019-07-20 DKI4 (Lubang Buaya)   64  27  13  78   9  78       O3
## 6499  2019-07-21 DKI4 (Lubang Buaya)   60  27  10  86   5  86       O3
## 6500  2019-07-22 DKI4 (Lubang Buaya)   61  25  14 104   7 104       O3
## 6501  2019-07-23 DKI4 (Lubang Buaya)   83  28  20  77  12  83     PM10
## 6504  2019-07-26 DKI4 (Lubang Buaya)   69  28   9  65  10  69     PM10
## 6505  2019-07-27 DKI4 (Lubang Buaya)   66  27   9  79   8  79       O3
## 6506  2019-07-28 DKI4 (Lubang Buaya)   90  27  14 115   9 115       O3
## 6507  2019-07-29 DKI4 (Lubang Buaya)   74  27  13 100  10 100       O3
## 6508  2019-07-30 DKI4 (Lubang Buaya)   83  27  23  75  10  83     PM10
## 6509  2019-07-31 DKI4 (Lubang Buaya)   68  28  13  77  10  77       O3
## 6634  2019-08-01 DKI4 (Lubang Buaya)   58  27  10  70   6  70       O3
## 6635  2019-08-02 DKI4 (Lubang Buaya)   67  28  10  81   8  81       O3
## 6636  2019-08-03 DKI4 (Lubang Buaya)   66  28  10  80   7  80       O3
## 6637  2019-08-04 DKI4 (Lubang Buaya)   67  27   8  61   8  67     PM10
## 6639  2019-08-06 DKI4 (Lubang Buaya)   57  29   8 118   9 118       O3
## 6640  2019-08-07 DKI4 (Lubang Buaya)   72  28  11  74  11  74       O3
## 6642  2019-08-09 DKI4 (Lubang Buaya)   65  29  12  71   8  71       O3
## 6643  2019-08-10 DKI4 (Lubang Buaya)   69  29  20  76   9  76       O3
## 6644  2019-08-11 DKI4 (Lubang Buaya)   59  27   9  58   6  59     PM10
## 6645  2019-08-12 DKI4 (Lubang Buaya)   59  27   9  57   9  59     PM10
## 6646  2019-08-13 DKI4 (Lubang Buaya)   66  29  10  53   8  66     PM10
## 6647  2019-08-14 DKI4 (Lubang Buaya)   55  28   7  62   6  62       O3
## 6648  2019-08-15 DKI4 (Lubang Buaya)   69  28   9 102   6 102       O3
## 6649  2019-08-16 DKI4 (Lubang Buaya)   88  28  20  99  11  99       O3
## 6650  2019-08-17 DKI4 (Lubang Buaya)   56  27   6  86   6  86       O3
## 6651  2019-08-18 DKI4 (Lubang Buaya)   65  27  11  71   5  71       O3
## 6653  2019-08-20 DKI4 (Lubang Buaya)   65  31  10 139  13 139       O3
## 6654  2019-08-21 DKI4 (Lubang Buaya)   68  30  10  53   8  68     PM10
## 6656  2019-08-23 DKI4 (Lubang Buaya)   81  28  19  97  10  97       O3
## 6657  2019-08-24 DKI4 (Lubang Buaya)   67  28  11 103   6 103       O3
## 6658  2019-08-25 DKI4 (Lubang Buaya)   56  29  11 110   5 110       O3
## 6659  2019-08-26 DKI4 (Lubang Buaya)   67  30  10 123   5 123       O3
## 6660  2019-08-27 DKI4 (Lubang Buaya)   63  29   9  80   7  80       O3
## 6661  2019-08-28 DKI4 (Lubang Buaya)   69  27  12  90  10  90       O3
## 6662  2019-08-29 DKI4 (Lubang Buaya)   76  28  22  80   8  80       O3
## 6663  2019-08-30 DKI4 (Lubang Buaya)   63  30  11  62   7  63     PM10
## 6664  2019-08-31 DKI4 (Lubang Buaya)   66  29  23  65   8  66     PM10
## 6788  2019-09-03 DKI4 (Lubang Buaya)   67  31   7  97   7  97       O3
## 6789  2019-09-04 DKI4 (Lubang Buaya)   78  30  11 110   6 110       O3
## 6790  2019-09-05 DKI4 (Lubang Buaya)   66  30   9 107   7 107       O3
## 6791  2019-09-06 DKI4 (Lubang Buaya)   69  30  12  93  13  93       O3
## 6792  2019-09-07 DKI4 (Lubang Buaya)   71  30  12  75   8  75       O3
## 6793  2019-09-08 DKI4 (Lubang Buaya)   62  31   8  70   7  70       O3
## 6794  2019-09-09 DKI4 (Lubang Buaya)   67  29  11  93   7  93       O3
## 6795  2019-09-10 DKI4 (Lubang Buaya)   70  30   7  70   6  70     PM10
## 6796  2019-09-11 DKI4 (Lubang Buaya)   70  32  17  91  10  91       O3
## 6797  2019-09-12 DKI4 (Lubang Buaya)   74  30  18 129  10 129       O3
## 6798  2019-09-13 DKI4 (Lubang Buaya)   84  33  19 100  11 100       O3
## 6799  2019-09-14 DKI4 (Lubang Buaya)   66  32  14 108   9 108       O3
## 6800  2019-09-15 DKI4 (Lubang Buaya)   65  31   8  70   9  70       O3
## 6801  2019-09-16 DKI4 (Lubang Buaya)   61  30   6  53   5  61     PM10
## 6802  2019-09-17 DKI4 (Lubang Buaya)   66  32   5  63   6  66     PM10
## 6803  2019-09-18 DKI4 (Lubang Buaya)   63  32   6 119   6 119       O3
## 6804  2019-09-19 DKI4 (Lubang Buaya)   63  32   7  76   6  76       O3
## 6805  2019-09-20 DKI4 (Lubang Buaya)   59  31   6  71   6  71       O3
## 6806  2019-09-21 DKI4 (Lubang Buaya)   57  34   6 135   5 135       O3
## 6807  2019-09-22 DKI4 (Lubang Buaya)   67  32   9 117   7 117       O3
## 6808  2019-09-23 DKI4 (Lubang Buaya)   68  33   9  69   8  69       O3
## 6809  2019-09-24 DKI4 (Lubang Buaya)   66  32   7  70   6  70       O3
## 6811  2019-09-26 DKI4 (Lubang Buaya)   64  31   7  68   7  68       O3
## 6812  2019-09-27 DKI4 (Lubang Buaya)   62  31   8  80   8  80       O3
## 6813  2019-09-28 DKI4 (Lubang Buaya)   63  33   6  82   7  82       O3
## 6814  2019-09-29 DKI4 (Lubang Buaya)   75  31  19  78   8  78       O3
## 6815  2019-09-30 DKI4 (Lubang Buaya)   66  31   9  76   8  76       O3
## 6939  2019-10-01 DKI4 (Lubang Buaya)  134  33  17 103  10 134     PM10
## 6940  2019-10-02 DKI4 (Lubang Buaya)   77  34   8 115   9 115       O3
## 6941  2019-10-03 DKI4 (Lubang Buaya)   77  31   8  78   8  78       O3
## 6942  2019-10-04 DKI4 (Lubang Buaya)   71  33  11  63   8  71     PM10
## 6943  2019-10-05 DKI4 (Lubang Buaya)   73  33   7  63   9  73     PM10
## 6945  2019-10-07 DKI4 (Lubang Buaya)   67  33   8  76   9  76       O3
## 6946  2019-10-08 DKI4 (Lubang Buaya)   90  34   9  84  10  90     PM10
## 6948  2019-10-10 DKI4 (Lubang Buaya)   63  32   9  94   9  94       O3
## 6949  2019-10-11 DKI4 (Lubang Buaya)   71  33   7  84  11  84       O3
## 6952  2019-10-14 DKI4 (Lubang Buaya)   79  34   8  84  12  84       O3
## 6954  2019-10-16 DKI4 (Lubang Buaya)   70  31  20 119   9 119       O3
## 6955  2019-10-17 DKI4 (Lubang Buaya)   58  31  13 119   8 119       O3
## 6956  2019-10-18 DKI4 (Lubang Buaya)   60  33  11  99   9  99       O3
## 6957  2019-10-19 DKI4 (Lubang Buaya)   75  32  14  62   9  75     PM10
## 6958  2019-10-20 DKI4 (Lubang Buaya)   71  32  24  89   6  89       O3
## 6959  2019-10-21 DKI4 (Lubang Buaya)   67  33  12  65   6  67     PM10
## 6960  2019-10-22 DKI4 (Lubang Buaya)   61  33  15  70   8  70       O3
## 6961  2019-10-23 DKI4 (Lubang Buaya)   65  33  20  88   9  88       O3
## 6962  2019-10-24 DKI4 (Lubang Buaya)   73  34  16 118   7 118       O3
## 6963  2019-10-25 DKI4 (Lubang Buaya)   65  33  11 172   7 172       O3
## 6964  2019-10-26 DKI4 (Lubang Buaya)   61  34  10 122   6 122       O3
## 6965  2019-10-27 DKI4 (Lubang Buaya)   76  34  27  77   8  77       O3
## 6967  2019-10-29 DKI4 (Lubang Buaya)   85  34  27  65   9  85     PM10
## 6968  2019-10-30 DKI4 (Lubang Buaya)   58  34  11  95  10  95       O3
## 6969  2019-10-31 DKI4 (Lubang Buaya)   68  35  16  82  14  82       O3
## 7091  2019-11-01 DKI4 (Lubang Buaya)   48  34   6  82  11  82       O3
## 7092  2019-11-02 DKI4 (Lubang Buaya)   35  32  17  54  11  54       O3
## 7093  2019-11-03 DKI4 (Lubang Buaya)   47  34   9  78   6  78       O3
## 7094  2019-11-04 DKI4 (Lubang Buaya)   44  34   9  93   8  93       O3
## 7095  2019-11-05 DKI4 (Lubang Buaya)   56  34   7 123  11 123       O3
## 7096  2019-11-06 DKI4 (Lubang Buaya)   56  33  17 155  11 155       O3
## 7097  2019-11-07 DKI4 (Lubang Buaya)   60  35  22 124   7 124       O3
## 7098  2019-11-08 DKI4 (Lubang Buaya)   72  35  17 150  11 150       O3
## 7099  2019-11-09 DKI4 (Lubang Buaya)   67  38  10 153   6 153       O3
## 7100  2019-11-10 DKI4 (Lubang Buaya)   70  35  14 132   7 132       O3
## 7101  2019-11-11 DKI4 (Lubang Buaya)   65  36  10 162   7 162       O3
## 7103  2019-11-13 DKI4 (Lubang Buaya)   80  35  29  75  14  80     PM10
## 7104  2019-11-14 DKI4 (Lubang Buaya)   66  34  32  60   6  66     PM10
## 7105  2019-11-15 DKI4 (Lubang Buaya)   65  37  19  94   6  94       O3
## 7106  2019-11-16 DKI4 (Lubang Buaya)   56  36  11  78   8  78       O3
## 7107  2019-11-17 DKI4 (Lubang Buaya)   63  35  13 100   7 100       O3
## 7108  2019-11-18 DKI4 (Lubang Buaya)   36  35  10  71   6  71       O3
## 7109  2019-11-19 DKI4 (Lubang Buaya)   55  35   8  56   4  56       O3
## 7111  2019-11-21 DKI4 (Lubang Buaya)   55  36   6  89   4  89       O3
## 7112  2019-11-22 DKI4 (Lubang Buaya)   52  35  18  88   9  88       O3
## 7113  2019-11-23 DKI4 (Lubang Buaya)   53  36  14 100  11 100       O3
## 7114  2019-11-24 DKI4 (Lubang Buaya)   59  37  23  90  11  90       O3
## 7115  2019-11-25 DKI4 (Lubang Buaya)   57  36  14  93   7  93       O3
## 7116  2019-11-26 DKI4 (Lubang Buaya)   67  35  21  70   7  70       O3
## 7117  2019-11-27 DKI4 (Lubang Buaya)   59  34  38  53  10  59     PM10
## 7118  2019-11-28 DKI4 (Lubang Buaya)   67  36  26  89   9  89       O3
## 7119  2019-11-29 DKI4 (Lubang Buaya)   53  35  14 124   7 124       O3
## 7247  2019-12-04 DKI4 (Lubang Buaya)   60  36  12 125   7 125       O3
## 7248  2019-12-05 DKI4 (Lubang Buaya)   38  34  12 143   6 143       O3
## 7249  2019-12-06 DKI4 (Lubang Buaya)   61  35  14 159   7 159       O3
## 7250  2019-12-07 DKI4 (Lubang Buaya)   45  35   9  86   5  86       O3
## 7252  2019-12-09 DKI4 (Lubang Buaya)   51  35  17 104   6 104       O3
## 7258  2019-12-15 DKI4 (Lubang Buaya)   63  36  11  84   6  84       O3
## 7262  2019-12-19 DKI4 (Lubang Buaya)   64  37  16  96   9  96       O3
## 7263  2019-12-20 DKI4 (Lubang Buaya)   70  38  19  92  11  92       O3
## 7264  2019-12-21 DKI4 (Lubang Buaya)   68  37  24 109   9 109       O3
## 7265  2019-12-22 DKI4 (Lubang Buaya)   51  36  13  77   8  77       O3
## 7267  2019-12-24 DKI4 (Lubang Buaya)   56  37  16  66   5  66       O3
## 7268  2019-12-25 DKI4 (Lubang Buaya)   58  37  13  46   4  58     PM10
## 7270  2019-12-27 DKI4 (Lubang Buaya)   55  38  17  84   7  84       O3
## 7271  2019-12-28 DKI4 (Lubang Buaya)   58  37  21  51   8  58     PM10
## 7272  2019-12-29 DKI4 (Lubang Buaya)   64  38  17  61   6  64     PM10
## 7273  2019-12-30 DKI4 (Lubang Buaya)   77  37  26  70   4  77     PM10
## 7274  2019-12-31 DKI4 (Lubang Buaya)   49  37  16  52   5  52       O3
## 7400  2020-01-02 DKI4 (Lubang Buaya)   45  36  25  46   5  46       O3
## 7401  2020-01-03 DKI4 (Lubang Buaya)   51  37  15  46   6  51     PM10
## 7402  2020-01-04 DKI4 (Lubang Buaya)   48  38  14  51   5  51       O3
## 7403  2020-01-05 DKI4 (Lubang Buaya)   40  39  19  50   5  50       O3
## 7404  2020-01-06 DKI4 (Lubang Buaya)   56  37  33  41   6  56     PM10
## 7405  2020-01-07 DKI4 (Lubang Buaya)   50  38  18  47   6  50     PM10
## 7406  2020-01-08 DKI4 (Lubang Buaya)   52  40  16  47   5  52     PM10
## 7407  2020-01-09 DKI4 (Lubang Buaya)   82  38  31  30   6  82     PM10
## 7408  2020-01-10 DKI4 (Lubang Buaya)   44  37  18  33   6  44     PM10
## 7409  2020-01-11 DKI4 (Lubang Buaya)   36  38  20  30   5  38      SO2
## 7410  2020-01-12 DKI4 (Lubang Buaya)   43  38   9  43   2  43     PM10
## 7411  2020-01-13 DKI4 (Lubang Buaya)   33  38  11  51   3  51       O3
## 7412  2020-01-14 DKI4 (Lubang Buaya)   32  32  11  48   6  48       O3
## 7413  2020-01-15 DKI4 (Lubang Buaya)   35  29  10  52   5  52       O3
## 7414  2020-01-16 DKI4 (Lubang Buaya)   70  30  37  63   5  70     PM10
## 7415  2020-01-17 DKI4 (Lubang Buaya)   71  29  36 125   6 125       O3
## 7416  2020-01-18 DKI4 (Lubang Buaya)   59  30  15  75   6  75       O3
## 7417  2020-01-19 DKI4 (Lubang Buaya)   76  31  71  94   5  94       O3
## 7418  2020-01-20 DKI4 (Lubang Buaya)   56  31  13  50   7  56     PM10
## 7419  2020-01-21 DKI4 (Lubang Buaya)   54  30  17  50   4  54     PM10
## 7420  2020-01-22 DKI4 (Lubang Buaya)   82  31  25  53   5  82     PM10
## 7421  2020-01-23 DKI4 (Lubang Buaya)   60  32  20  44   7  60     PM10
## 7422  2020-01-24 DKI4 (Lubang Buaya)   71  30  22  29   5  71     PM10
## 7423  2020-01-25 DKI4 (Lubang Buaya)   37  29  26  35   3  37     PM10
## 7424  2020-01-26 DKI4 (Lubang Buaya)   63  30  29  71   4  71       O3
## 7425  2020-01-27 DKI4 (Lubang Buaya)   47  30  13  73   4  73       O3
## 7427  2020-01-29 DKI4 (Lubang Buaya)   63  30  27  92   5  92       O3
## 7428  2020-01-30 DKI4 (Lubang Buaya)   33  30  14  80   5  80       O3
## 7429  2020-01-31 DKI4 (Lubang Buaya)   56  30  18  37   5  56     PM10
## 7548  2020-02-01 DKI4 (Lubang Buaya)   57  30  14  33   3  57     PM10
## 7549  2020-02-02 DKI4 (Lubang Buaya)   52  30  16  36   3  52     PM10
## 7550  2020-02-03 DKI4 (Lubang Buaya)   59  30  40  35   3  59     PM10
## 7551  2020-02-04 DKI4 (Lubang Buaya)   43  30  32  32   5  43     PM10
## 7552  2020-02-05 DKI4 (Lubang Buaya)   59  30  36  41   4  59     PM10
## 7553  2020-02-06 DKI4 (Lubang Buaya)   59  30  16  33   3  59     PM10
## 7555  2020-02-08 DKI4 (Lubang Buaya)   74  30  11  66   3  74     PM10
## 7556  2020-02-09 DKI4 (Lubang Buaya)   47  30  23  38   4  47     PM10
## 7557  2020-02-10 DKI4 (Lubang Buaya)   51  31  22  76   4  76       O3
## 7558  2020-02-11 DKI4 (Lubang Buaya)   69  32  24  98   7  98       O3
## 7562  2020-02-15 DKI4 (Lubang Buaya)   74  26  47 191   7 191       O3
## 7563  2020-02-16 DKI4 (Lubang Buaya)   67  23  27 118   4 118       O3
## 7564  2020-02-17 DKI4 (Lubang Buaya)   43  21  22 170   4 170       O3
## 7565  2020-02-18 DKI4 (Lubang Buaya)   62  23  32  93   4  93       O3
## 7566  2020-02-19 DKI4 (Lubang Buaya)   54  22  20  51   3  54     PM10
## 7567  2020-02-20 DKI4 (Lubang Buaya)   30  20  11  68   3  68       O3
## 7568  2020-02-21 DKI4 (Lubang Buaya)   34  20  22  80   4  80       O3
## 7569  2020-02-22 DKI4 (Lubang Buaya)   58  19  34  85   4  85       O3
## 7572  2020-02-25 DKI4 (Lubang Buaya)   40  19  15  92   4  92       O3
## 7573  2020-02-26 DKI4 (Lubang Buaya)   52  19  21  89   5  89       O3
## 7574  2020-02-27 DKI4 (Lubang Buaya)   54  18  20  84   2  84       O3
## 7575  2020-02-28 DKI4 (Lubang Buaya)   56  21  27 104   6 104       O3
## 7576  2020-02-29 DKI4 (Lubang Buaya)   64  22  41  78   7  78       O3
## 7699  2020-03-01 DKI4 (Lubang Buaya)   55  21  11  81   6  81       O3
## 7700  2020-03-02 DKI4 (Lubang Buaya)   40  22  21 105   6 105       O3
## 7701  2020-03-03 DKI4 (Lubang Buaya)   76  22  25 108   8 108       O3
## 7702  2020-03-04 DKI4 (Lubang Buaya)   70  21  18 172   5 172       O3
## 7703  2020-03-05 DKI4 (Lubang Buaya)   35  22   8  66   3  66       O3
## 7704  2020-03-06 DKI4 (Lubang Buaya)   44  24  10 100  14 100       O3
## 7706  2020-03-08 DKI4 (Lubang Buaya)   53  23  18  86  16  86       O3
## 7708  2020-03-10 DKI4 (Lubang Buaya)   43  22   6  55   7  55       O3
## 7712  2020-03-14 DKI4 (Lubang Buaya)   89  25  28 197  13 197       O3
## 7713  2020-03-15 DKI4 (Lubang Buaya)   69  22  21 131  10 131       O3
## 7714  2020-03-16 DKI4 (Lubang Buaya)   59  23  18 133  10 133       O3
## 7715  2020-03-17 DKI4 (Lubang Buaya)  101  23  16 129  10 129       O3
## 7716  2020-03-18 DKI4 (Lubang Buaya)   57  23  13 108  10 108       O3
## 7717  2020-03-19 DKI4 (Lubang Buaya)   73  22  27  37   9  73     PM10
## 7719  2020-03-21 DKI4 (Lubang Buaya)   56   6  23  40   7  56     PM10
## 7722  2020-03-24 DKI4 (Lubang Buaya)   78   6  15  63   2  78     PM10
## 7726  2020-03-28 DKI4 (Lubang Buaya)   74  26  19 104  11 104       O3
## 7727  2020-03-29 DKI4 (Lubang Buaya)   78  25  22  86  10  86       O3
## 7728  2020-03-30 DKI4 (Lubang Buaya)   62  25  12  66  12  66       O3
## 7851  2020-04-01 DKI4 (Lubang Buaya)   42  25  11  90   8  90       O3
## 7852  2020-04-02 DKI4 (Lubang Buaya)   51  25  10  36   6  51     PM10
## 7853  2020-04-03 DKI4 (Lubang Buaya)   55  27  14  48   6  55     PM10
## 7854  2020-04-04 DKI4 (Lubang Buaya)   66  28  22  63   7  66     PM10
## 7855  2020-04-05 DKI4 (Lubang Buaya)   66  28  14  83   8  83       O3
## 7856  2020-04-06 DKI4 (Lubang Buaya)   56  26  18  60   8  60       O3
## 7857  2020-04-07 DKI4 (Lubang Buaya)   42  25  17  28   9  42     PM10
## 7858  2020-04-08 DKI4 (Lubang Buaya)   33  26  10  58   7  58       O3
## 7859  2020-04-09 DKI4 (Lubang Buaya)   59  28  13  57   8  59     PM10
## 7860  2020-04-10 DKI4 (Lubang Buaya)   65  27  19 107   8 107       O3
## 7861  2020-04-11 DKI4 (Lubang Buaya)  109  27  13  87   5 109     PM10
## 7862  2020-04-12 DKI4 (Lubang Buaya)   82  27  24  89  10  89       O3
## 7863  2020-04-13 DKI4 (Lubang Buaya)   52  26  13  64   7  64       O3
## 7864  2020-04-14 DKI4 (Lubang Buaya)   54  28  13  61   9  61       O3
## 7865  2020-04-15 DKI4 (Lubang Buaya)   57  27  15  72   9  72       O3
## 7866  2020-04-16 DKI4 (Lubang Buaya)   60  27  16  66   8  66       O3
## 7867  2020-04-17 DKI4 (Lubang Buaya)   60  27  19  75   8  75       O3
## 7868  2020-04-18 DKI4 (Lubang Buaya)   52  28  12  82   6  82       O3
## 7869  2020-04-19 DKI4 (Lubang Buaya)   73  29  17  86  10  86       O3
## 7870  2020-04-20 DKI4 (Lubang Buaya)   78  28  13  73   6  78     PM10
## 7871  2020-04-21 DKI4 (Lubang Buaya)   69  28  14  57   7  69     PM10
## 7872  2020-04-22 DKI4 (Lubang Buaya)  111  31  25  58  10 111     PM10
## 7873  2020-04-23 DKI4 (Lubang Buaya)   66  27  13  51   7  66     PM10
## 7875  2020-04-25 DKI4 (Lubang Buaya)   64  26  25  53   9  64     PM10
## 7878  2020-04-28 DKI4 (Lubang Buaya)   59  20  14  60   9  60       O3
## 7880  2020-04-30 DKI4 (Lubang Buaya)   80  22  26  44   9  80     PM10
## 8010  2020-05-07 DKI4 (Lubang Buaya)   67  21  18  59   5  67     PM10
## 8011  2020-05-08 DKI4 (Lubang Buaya)   91  22  15  60   5  91     PM10
## 8012  2020-05-09 DKI4 (Lubang Buaya)   77  22  22  36   8  77     PM10
## 8013  2020-05-10 DKI4 (Lubang Buaya)   72  23  27  56   8  72     PM10
## 8014  2020-05-11 DKI4 (Lubang Buaya)   54  22  14  54   5  54     PM10
## 8015  2020-05-12 DKI4 (Lubang Buaya)   57  23  17  49   5  57     PM10
## 8016  2020-05-13 DKI4 (Lubang Buaya)   52  22  12  52   5  52     PM10
## 8017  2020-05-14 DKI4 (Lubang Buaya)   60  23  11  51   6  60     PM10
## 8018  2020-05-15 DKI4 (Lubang Buaya)   66  23  13  48   7  66     PM10
## 8019  2020-05-16 DKI4 (Lubang Buaya)   65  23  12  57   5  65     PM10
## 8020  2020-05-17 DKI4 (Lubang Buaya)   74  23  15  72   6  74     PM10
## 8021  2020-05-18 DKI4 (Lubang Buaya)   56  21  11  61   5  61       O3
## 8022  2020-05-19 DKI4 (Lubang Buaya)   40  23  13  78   6  78       O3
## 8023  2020-05-20 DKI4 (Lubang Buaya)   61  23  11  73   3  73       O3
## 8024  2020-05-21 DKI4 (Lubang Buaya)   25  22   9  52   4  52       O3
## 8025  2020-05-22 DKI4 (Lubang Buaya)   70  22  15  59   4  70     PM10
## 8026  2020-05-23 DKI4 (Lubang Buaya)   38  22   9  43   3  43       O3
## 8027  2020-05-24 DKI4 (Lubang Buaya)   62  21  25  28   4  62     PM10
## 8028  2020-05-25 DKI4 (Lubang Buaya)   50  22  10  28   4  50     PM10
## 8029  2020-05-26 DKI4 (Lubang Buaya)   52  22  14  40   4  52     PM10
## 8030  2020-05-27 DKI4 (Lubang Buaya)   35  22   8  72   3  72       O3
## 8031  2020-05-28 DKI4 (Lubang Buaya)   64  22  16  78   3  78       O3
## 8032  2020-05-29 DKI4 (Lubang Buaya)   62  23  12  76   4  76       O3
## 8033  2020-05-30 DKI4 (Lubang Buaya)   63  22  20  54   5  63     PM10
## 8156  2020-06-06 DKI4 (Lubang Buaya)   61  22  19  58   4  61     PM10
## 8157  2020-06-06 DKI4 (Lubang Buaya)   50  22  14  49   5  50     PM10
## 8158  2020-06-06 DKI4 (Lubang Buaya)   43  21  12  41   4  43     PM10
## 8159  2020-06-06 DKI4 (Lubang Buaya)   55  22  13  35   3  55     PM10
## 8160  2020-06-06 DKI4 (Lubang Buaya)   56  24  11  79   4  79       O3
## 8161  2020-06-06 DKI4 (Lubang Buaya)   64  24  13  87   5  87       O3
## 8162  2020-06-06 DKI4 (Lubang Buaya)   66  26  16  74   5  74       O3
## 8163  2020-06-06 DKI4 (Lubang Buaya)   72  23  13  45   4  72     PM10
## 8164  2020-06-06 DKI4 (Lubang Buaya)   81  24  19  57   5  81     PM10
## 8166  2020-06-06 DKI4 (Lubang Buaya)   63  24   9  70   4  70       O3
## 8167  2020-06-06 DKI4 (Lubang Buaya)   50  22   9  72   4  72       O3
## 8168  2020-06-06 DKI4 (Lubang Buaya)   54  23  10  75   4  75       O3
## 8169  2020-06-06 DKI4 (Lubang Buaya)   63  23  12  72   4  72       O3
## 8170  2020-06-06 DKI4 (Lubang Buaya)   76  23  14  62   3  76     PM10
## 8171  2020-06-06 DKI4 (Lubang Buaya)   74  24  13  43   3  74     PM10
## 8172  2020-06-06 DKI4 (Lubang Buaya)   70  23  14  59   4  70     PM10
## 8173  2020-06-06 DKI4 (Lubang Buaya)   63  24  12  64   4  64       O3
## 8174  2020-06-06 DKI4 (Lubang Buaya)   54  22  10  53   4  54     PM10
## 8175  2020-06-06 DKI4 (Lubang Buaya)   70  23  16  59   7  70     PM10
## 8176  2020-06-06 DKI4 (Lubang Buaya)   60  22  12  53   4  60     PM10
## 8177  2020-06-06 DKI4 (Lubang Buaya)   63  25  11  44   5  63     PM10
## 8178  2020-06-06 DKI4 (Lubang Buaya)   53  22  14  57   5  57       O3
## 8179  2020-06-06 DKI4 (Lubang Buaya)   44  22  10  82   3  82       O3
## 8180  2020-06-06 DKI4 (Lubang Buaya)   77  22  53  77   9  77     PM10
## 8181  2020-06-06 DKI4 (Lubang Buaya)   78  24  23  86   6  86       O3
## 8182  2020-06-06 DKI4 (Lubang Buaya)   68  25  14  52   5  68     PM10
## 8183  2020-06-06 DKI4 (Lubang Buaya)   80  24  12  69   3  80     PM10
## 8184  2020-06-06 DKI4 (Lubang Buaya)   78  24  11  66   4  78     PM10
## 8185  2020-06-06 DKI4 (Lubang Buaya)   79  23  13  70   5  79     PM10
## 8309  2020-07-01 DKI4 (Lubang Buaya)   63  22   8  74   4  74       O3
## 8310  2020-07-02 DKI4 (Lubang Buaya)   73  22  19  45   5  73     PM10
## 8311  2020-07-03 DKI4 (Lubang Buaya)   58  23  14  47   6  58     PM10
## 8312  2020-07-04 DKI4 (Lubang Buaya)   65  23  13  52   5  65     PM10
## 8313  2020-07-05 DKI4 (Lubang Buaya)   67  24   9  45   4  67     PM10
## 8314  2020-07-06 DKI4 (Lubang Buaya)   61  24  13  40   6  61     PM10
## 8315  2020-07-07 DKI4 (Lubang Buaya)   56  23   8  44   4  56     PM10
## 8316  2020-07-08 DKI4 (Lubang Buaya)   65  25  10  48   5  65     PM10
## 8317  2020-07-09 DKI4 (Lubang Buaya)   52  22   8  97   4  97       O3
## 8318  2020-07-10 DKI4 (Lubang Buaya)   69  23  13 113   7 113       O3
## 8319  2020-07-11 DKI4 (Lubang Buaya)   86  23  18  53   5  86     PM10
## 8320  2020-07-12 DKI4 (Lubang Buaya)   59  22  17  64   4  64       O3
## 8321  2020-07-13 DKI4 (Lubang Buaya)   67  25  14  51   3  67     PM10
## 8323  2020-07-15 DKI4 (Lubang Buaya)   63  22  11  47   4  63     PM10
## 8324  2020-07-16 DKI4 (Lubang Buaya)   52  27   5  26   4  52     PM10
## 8325  2020-07-17 DKI4 (Lubang Buaya)   66  26  13  49   5  66     PM10
## 8326  2020-07-18 DKI4 (Lubang Buaya)   59  24  10  73   4  73       O3
## 8327  2020-07-19 DKI4 (Lubang Buaya)   70  24  15  69   5  70     PM10
## 8329  2020-07-21 DKI4 (Lubang Buaya)   57  24  12  87   4  87       O3
## 8330  2020-07-22 DKI4 (Lubang Buaya)   63  23  12  53   5  63     PM10
## 8331  2020-07-23 DKI4 (Lubang Buaya)   55  25   7  67   4  67       O3
## 8332  2020-07-24 DKI4 (Lubang Buaya)   59  24  10  78   4  78       O3
## 8333  2020-07-25 DKI4 (Lubang Buaya)   59  24   8  65   4  65       O3
## 8334  2020-07-26 DKI4 (Lubang Buaya)   58  26   8  52   6  58     PM10
## 8335  2020-07-27 DKI4 (Lubang Buaya)   62  26   9  61   5  62     PM10
## 8338  2020-07-30 DKI4 (Lubang Buaya)   76  24  13  96   7  96       O3
## 8339  2020-07-31 DKI4 (Lubang Buaya)   68  25  13  76   5  76       O3
## 8465  2020-08-02 DKI4 (Lubang Buaya)   91  27  26  90   7  91     PM10
## 8466  2020-08-03 DKI4 (Lubang Buaya)   95  26  18  84   8  95     PM10
## 8467  2020-08-04 DKI4 (Lubang Buaya)   73  27   7  69   5  73     PM10
## 8468  2020-08-05 DKI4 (Lubang Buaya)   86  26  13  81   5  86     PM10
## 8469  2020-08-06 DKI4 (Lubang Buaya)   88  27  13  72   5  88     PM10
## 8470  2020-08-07 DKI4 (Lubang Buaya)   81  26  11  97   4  97       O3
## 8471  2020-08-08 DKI4 (Lubang Buaya)   79  28   9  70   3  79     PM10
## 8472  2020-08-09 DKI4 (Lubang Buaya)   74  25   8  66   2  74     PM10
## 8473  2020-08-10 DKI4 (Lubang Buaya)   81  25  10  62   3  81     PM10
## 8474  2020-08-11 DKI4 (Lubang Buaya)   96  26  11  47   4  96     PM10
## 8475  2020-08-12 DKI4 (Lubang Buaya)   93  25  37  52   6  93     PM10
## 8476  2020-08-13 DKI4 (Lubang Buaya)   81  24  16  37   4  81     PM10
## 8481  2020-08-18 DKI4 (Lubang Buaya)   75  23  17  64  10  75     PM10
## 8482  2020-08-19 DKI4 (Lubang Buaya)   80  32  20  75  11  80     PM10
## 8483  2020-08-20 DKI4 (Lubang Buaya)   62  30   6  46   6  62     PM10
## 8484  2020-08-21 DKI4 (Lubang Buaya)   71  32   5  44   7  71     PM10
## 8485  2020-08-22 DKI4 (Lubang Buaya)   84  31  13  49  10  84     PM10
## 8486  2020-08-23 DKI4 (Lubang Buaya)   72  32  17  64  10  72     PM10
## 8487  2020-08-24 DKI4 (Lubang Buaya)   79  31  15  45   9  79     PM10
## 8488  2020-08-25 DKI4 (Lubang Buaya)   74  33  11  48  10  74     PM10
## 8489  2020-08-26 DKI4 (Lubang Buaya)   57  31   7  57   7  57     PM10
## 8490  2020-08-27 DKI4 (Lubang Buaya)   55  31   6  64   6  64       O3
## 8491  2020-08-28 DKI4 (Lubang Buaya)   84  33  14  56  10  84     PM10
## 8492  2020-08-29 DKI4 (Lubang Buaya)   70  33   6  59   7  70     PM10
## 8493  2020-08-30 DKI4 (Lubang Buaya)   74  33  11  66   8  74     PM10
## 8494  2020-08-31 DKI4 (Lubang Buaya)   69  33   8  83   8  83       O3
## 8616  2020-09-01 DKI4 (Lubang Buaya)   71  33  10  55   9  71     PM10
## 8617  2020-09-02 DKI4 (Lubang Buaya)   71  34   9  91   8  91       CO
## 8618  2020-09-03 DKI4 (Lubang Buaya)   77  32  10  83   9  83       CO
## 8619  2020-09-04 DKI4 (Lubang Buaya)   66  32   6  43   6  66     PM10
## 8620  2020-09-05 DKI4 (Lubang Buaya)   70  32   8  82   6  82       CO
## 8621  2020-09-06 DKI4 (Lubang Buaya)   75  35  10  94   8  94       CO
## 8623  2020-09-08 DKI4 (Lubang Buaya)   78  35   9  51   8  78     PM10
## 8624  2020-09-09 DKI4 (Lubang Buaya)   82  36   6  60   7  82     PM10
## 8625  2020-09-10 DKI4 (Lubang Buaya)   77  33   4  86   6  86       CO
## 8626  2020-09-11 DKI4 (Lubang Buaya)   89  34  13  82  11  89     PM10
## 8627  2020-09-12 DKI4 (Lubang Buaya)   67  33   7  87   6  87       CO
## 8628  2020-09-13 DKI4 (Lubang Buaya)   72  34   8  89   5  89       CO
## 8629  2020-09-14 DKI4 (Lubang Buaya)   69  37   6  70   7  70       CO
## 8631  2020-09-16 DKI4 (Lubang Buaya)   67  33   9  94   7  94       CO
## 8632  2020-09-17 DKI4 (Lubang Buaya)   65  36   8  84   9  84       CO
## 8633  2020-09-18 DKI4 (Lubang Buaya)   70  34   7  57   6  70     PM10
## 8634  2020-09-19 DKI4 (Lubang Buaya)   88  34   8  63   6  88     PM10
## 8635  2020-09-20 DKI4 (Lubang Buaya)   73  36   5  35   5  73     PM10
## 8636  2020-09-21 DKI4 (Lubang Buaya)   65  33  18  77   8  77       CO
## 8637  2020-09-22 DKI4 (Lubang Buaya)   62  33   8  58   7  62     PM10
## 8638  2020-09-23 DKI4 (Lubang Buaya)   73  33  15  84  10  84       CO
## 8640  2020-09-25 DKI4 (Lubang Buaya)   74  37  11  80   8  80       CO
## 8641  2020-09-26 DKI4 (Lubang Buaya)   73  35  16  92   7  92       CO
## 8642  2020-09-27 DKI4 (Lubang Buaya)   70  36  17  74  11  74       CO
## 8643  2020-09-28 DKI4 (Lubang Buaya)   74  37   6  63   8  74     PM10
## 8644  2020-09-29 DKI4 (Lubang Buaya)   68  38   6  97  10  97       CO
## 8769  2020-10-01 DKI4 (Lubang Buaya)   73   8  64  11  73   1     PM10
## 8770  2020-10-02 DKI4 (Lubang Buaya)   83  16  62   7  83   1     PM10
## 8771  2020-10-03 DKI4 (Lubang Buaya)   74  13  80  11  80   4       CO
## 8772  2020-10-04 DKI4 (Lubang Buaya)   79  11  92   8  92   4       CO
## 8773  2020-10-05 DKI4 (Lubang Buaya)   62   4  95   5  95   4       CO
## 8774  2020-10-06 DKI4 (Lubang Buaya)   64   6 103   8 103   4       CO
## 8775  2020-10-07 DKI4 (Lubang Buaya)   77   7  92  11  92   4       CO
## 8776  2020-10-08 DKI4 (Lubang Buaya)   68   6  92   7  92   4       CO
## 8777  2020-10-09 DKI4 (Lubang Buaya)   74   7  75   6  75   4       CO
## 8778  2020-10-10 DKI4 (Lubang Buaya)   70  11  71  10  71   4       CO
## 8779  2020-10-11 DKI4 (Lubang Buaya)   69   7  65   7  69   1     PM10
## 8781  2020-10-13 DKI4 (Lubang Buaya)   72  21  75   7  75   4       CO
## 8782  2020-10-14 DKI4 (Lubang Buaya)   81  23  69  13  81   1     PM10
## 8783  2020-10-15 DKI4 (Lubang Buaya)   79   9  69   8  79   1     PM10
## 8784  2020-10-16 DKI4 (Lubang Buaya)   68   6  79   9  79   4       CO
## 8785  2020-10-17 DKI4 (Lubang Buaya)   70  15  54  11  70   1     PM10
## 8786  2020-10-18 DKI4 (Lubang Buaya)   59  11  62   7  62   4       CO
## 8787  2020-10-19 DKI4 (Lubang Buaya)   64  11  74   8  74   4       CO
## 8788  2020-10-20 DKI4 (Lubang Buaya)   63  26  62   9  63   1     PM10
## 8789  2020-10-21 DKI4 (Lubang Buaya)   57  15 104   9 104   4       CO
## 8790  2020-10-22 DKI4 (Lubang Buaya)   53  15  44   8  53   1     PM10
## 8791  2020-10-23 DKI4 (Lubang Buaya)   34   7  48   5  48   4       CO
## 8792  2020-10-24 DKI4 (Lubang Buaya)   51  14  80   7  80   4       CO
## 8793  2020-10-25 DKI4 (Lubang Buaya)   52  11  68   7  68   4       CO
## 8794  2020-10-26 DKI4 (Lubang Buaya)   57  17  87   8  87   4       CO
## 8795  2020-10-27 DKI4 (Lubang Buaya)   46  18  61   9  61   4       CO
## 8796  2020-10-28 DKI4 (Lubang Buaya)   63  26 107   8 107   4       CO
## 8797  2020-10-29 DKI4 (Lubang Buaya)   54  11  88  10  88   4       CO
## 8798  2020-10-30 DKI4 (Lubang Buaya)   63  12  42   7  63   1     PM10
## 8799  2020-10-31 DKI4 (Lubang Buaya)   45   6  63   6  63   4       CO
## 8921  2020-11-01 DKI4 (Lubang Buaya)   53  38  16  55  10  55       CO
## 8922  2020-11-02 DKI4 (Lubang Buaya)   49  36   8  38   5  49     PM10
## 8923  2020-11-03 DKI4 (Lubang Buaya)   46  38  14  69   7  69       CO
## 8924  2020-11-04 DKI4 (Lubang Buaya)   54  39  12  79   7  79       CO
## 8925  2020-11-05 DKI4 (Lubang Buaya)   51  38  13  64  10  64       CO
## 8926  2020-11-06 DKI4 (Lubang Buaya)   80  41  22  62  11  80     PM10
## 8927  2020-11-07 DKI4 (Lubang Buaya)   64  41  19  61   9  64     PM10
## 8928  2020-11-08 DKI4 (Lubang Buaya)   67  40  30  55  10  67     PM10
## 8929  2020-11-09 DKI4 (Lubang Buaya)   68  41  24  80  11  80       CO
## 8930  2020-11-10 DKI4 (Lubang Buaya)   82  41  15  68   8  82     PM10
## 8931  2020-11-11 DKI4 (Lubang Buaya)   79  41  13  75  10  79     PM10
## 8932  2020-11-12 DKI4 (Lubang Buaya)   61  41   6  57   7  61     PM10
## 8933  2020-11-13 DKI4 (Lubang Buaya)   57  42   5  42   7  57     PM10
## 8934  2020-11-14 DKI4 (Lubang Buaya)   67  43  10  81   7  81       CO
## 8935  2020-11-15 DKI4 (Lubang Buaya)   59  44   7  50   6  59     PM10
## 8936  2020-11-16 DKI4 (Lubang Buaya)   64  41   9  47   5  64     PM10
## 8937  2020-11-17 DKI4 (Lubang Buaya)   60  42  14  88   9  88       CO
## 8938  2020-11-18 DKI4 (Lubang Buaya)   59  42  15  69  11  69       CO
## 8939  2020-11-19 DKI4 (Lubang Buaya)   77  42  26  74  12  77     PM10
## 8940  2020-11-20 DKI4 (Lubang Buaya)   62  44   7  42   7  62     PM10
## 8941  2020-11-21 DKI4 (Lubang Buaya)   67  41  31  44   7  67     PM10
## 8942  2020-11-22 DKI4 (Lubang Buaya)   66  42  41  57  10  66     PM10
## 8943  2020-11-23 DKI4 (Lubang Buaya)   69  42  23  64   8  69     PM10
## 8944  2020-11-24 DKI4 (Lubang Buaya)   51  42  14  61   7  61       CO
## 8945  2020-11-25 DKI4 (Lubang Buaya)   52  41  21  46   8  52     PM10
## 8946  2020-11-26 DKI4 (Lubang Buaya)   60  42  23  93   7  93       CO
## 8947  2020-11-27 DKI4 (Lubang Buaya)   47  43   8  78   7  78       CO
## 8949  2020-11-29 DKI4 (Lubang Buaya)   46  40   9  58   5  58       CO
## 8950  2020-11-30 DKI4 (Lubang Buaya)   22  39   6  23   3  39     PM25
## 9074  2020-12-01 DKI4 (Lubang Buaya)   29  40  13  20   4  40     PM25
## 9075  2020-12-02 DKI4 (Lubang Buaya)   38  40  10  41   6  41       CO
## 9076  2020-12-03 DKI4 (Lubang Buaya)   31  41  10  47   6  47       CO
## 9077  2020-12-04 DKI4 (Lubang Buaya)   40  45  10  54   7  54       CO
## 9078  2020-12-05 DKI4 (Lubang Buaya)   28  42   7  23   3  42     PM25
## 9079  2020-12-06 DKI4 (Lubang Buaya)   31  41   9  25   4  41     PM25
## 9080  2020-12-07 DKI4 (Lubang Buaya)   23  42   8  34   3  42     PM25
## 9081  2020-12-08 DKI4 (Lubang Buaya)   31  42  13  34   4  42     PM25
## 9082  2020-12-09 DKI4 (Lubang Buaya)   27  41   6  28   2  41     PM25
## 9083  2020-12-10 DKI4 (Lubang Buaya)   29  43   6  36   3  43     PM25
## 9084  2020-12-11 DKI4 (Lubang Buaya)   36  43  12  35   6  43     PM25
## 9085  2020-12-12 DKI4 (Lubang Buaya)   33  42  10  25   5  42     PM25
## 9086  2020-12-13 DKI4 (Lubang Buaya)   29  43   6  30   4  43     PM25
## 9087  2020-12-14 DKI4 (Lubang Buaya)   27  42  10  29   5  42     PM25
## 9088  2020-12-15 DKI4 (Lubang Buaya)   36  41  11  22   6  41     PM25
## 9089  2020-12-16 DKI4 (Lubang Buaya)   25  41   8  20   4  41     PM25
## 9090  2020-12-17 DKI4 (Lubang Buaya)   29  43   9  22   4  43     PM25
## 9091  2020-12-18 DKI4 (Lubang Buaya)   25  42   5  30   3  42     PM25
## 9092  2020-12-19 DKI4 (Lubang Buaya)   29  42   7  24   3  42     PM25
## 9093  2020-12-20 DKI4 (Lubang Buaya)   28  42   9  25   3  42     PM25
## 9094  2020-12-21 DKI4 (Lubang Buaya)   16  41   6  15   3  41     PM25
## 9095  2020-12-22 DKI4 (Lubang Buaya)   27  40  10  29   3  40     PM25
## 9096  2020-12-23 DKI4 (Lubang Buaya)   56  34  18  43   7  56     PM10
## 9097  2020-12-24 DKI4 (Lubang Buaya)   51  36  11  38   7  51     PM10
## 9098  2020-12-25 DKI4 (Lubang Buaya)   25  34  10  34   4  34     PM25
## 9099  2020-12-26 DKI4 (Lubang Buaya)   25  34   7  33   3  34     PM25
## 9100  2020-12-27 DKI4 (Lubang Buaya)   30  35  10  44   4  44       CO
## 9101  2020-12-28 DKI4 (Lubang Buaya)   29  34   9  31   3  34     PM25
## 9102  2020-12-29 DKI4 (Lubang Buaya)   21  34   5  20   2  34     PM25
## 9103  2020-12-30 DKI4 (Lubang Buaya)   26  34   6  15   3  34     PM25
## 9104  2020-12-31 DKI4 (Lubang Buaya)   28  36  10  27   3  36     PM25
## 9229  2021-01-01 DKI4 (Lubang Buaya)   41  37  14  35   4  41     PM10
## 9230  2021-01-02 DKI4 (Lubang Buaya)   44  38  38  59   3  59       O3
## 9231  2021-01-03 DKI4 (Lubang Buaya)   50  37  16  52   5  52       O3
## 9232  2021-01-04 DKI4 (Lubang Buaya)   45  36  16  24   3  45     PM10
## 9233  2021-01-05 DKI4 (Lubang Buaya)   52  36  15  35   8  52     PM10
## 9234  2021-01-06 DKI4 (Lubang Buaya)   73  32  29  66   6  73     PM10
## 9235  2021-01-07 DKI4 (Lubang Buaya)   36  30  19  55   5  55       O3
## 9236  2021-01-08 DKI4 (Lubang Buaya)   36  31  23  51   6  51       O3
## 9237  2021-01-09 DKI4 (Lubang Buaya)   60  30  34  42   6  60     PM10
## 9238  2021-01-10 DKI4 (Lubang Buaya)   14  28   9  38   3  38       O3
## 9239  2021-01-11 DKI4 (Lubang Buaya)   51  29  17  57   4  57       O3
## 9240  2021-01-12 DKI4 (Lubang Buaya)   23  28  11  44   4  44       O3
## 9241  2021-01-13 DKI4 (Lubang Buaya)   36  27   8  32   3  36     PM10
## 9242  2021-01-14 DKI4 (Lubang Buaya)   35  28  13  38   5  38       O3
## 9243  2021-01-15 DKI4 (Lubang Buaya)   51  26  20  56   5  56       O3
## 9244  2021-01-16 DKI4 (Lubang Buaya)   47  27  18  38   7  47     PM10
## 9245  2021-01-17 DKI4 (Lubang Buaya)   52  28  12  41   8  52     PM10
## 9246  2021-01-18 DKI4 (Lubang Buaya)   34  28  10  37   4  37       O3
## 9247  2021-01-19 DKI4 (Lubang Buaya)   25  26  12  31   7  31       O3
## 9248  2021-01-20 DKI4 (Lubang Buaya)   54  25  16  33   8  54     PM10
## 9249  2021-01-21 DKI4 (Lubang Buaya)   63  25  21  38   7  63     PM10
## 9250  2021-01-22 DKI4 (Lubang Buaya)   52  26  32  54   8  54       O3
## 9251  2021-01-23 DKI4 (Lubang Buaya)   89  27  47  61  11  89     PM10
## 9254  2021-01-26 DKI4 (Lubang Buaya)   57  26  34  39   7  57     PM10
## 9255  2021-01-27 DKI4 (Lubang Buaya)   18  25   7  19   4  25      SO2
## 9256  2021-01-28 DKI4 (Lubang Buaya)   23  25  11  20   5  25      SO2
## 9257  2021-01-29 DKI4 (Lubang Buaya)   27  26   9  36   4  36       O3
## 9258  2021-01-30 DKI4 (Lubang Buaya)   21  26  16  32   6  32       O3
## 9376  2021-02-02 DKI4 (Lubang Buaya)   37  40  14  22  12  40      SO2
## 9377  2021-02-03 DKI4 (Lubang Buaya)   24  40   9  21   8  40      SO2
## 9378  2021-02-04 DKI4 (Lubang Buaya)   19  40  12  19  10  40      SO2
## 9379  2021-02-05 DKI4 (Lubang Buaya)   19  40  12  20   9  40      SO2
## 9380  2021-02-06 DKI4 (Lubang Buaya)   18  40   7  28   6  40      SO2
## 9381  2021-02-07 DKI4 (Lubang Buaya)   25  40  10  22  11  40      SO2
## 9382  2021-02-08 DKI4 (Lubang Buaya)   17  39  10  21   9  39      SO2
## 9383  2021-02-09 DKI4 (Lubang Buaya)   31  40  13  19   9  40      SO2
## 9384  2021-02-10 DKI4 (Lubang Buaya)   30  40  13  20   8  40      SO2
## 9385  2021-02-11 DKI4 (Lubang Buaya)   21  40   7  16   5  40      SO2
## 9386  2021-02-12 DKI4 (Lubang Buaya)   33  40  12  19   5  40      SO2
## 9387  2021-02-13 DKI4 (Lubang Buaya)   43  40  11  25   9  43     PM10
## 9388  2021-02-14 DKI4 (Lubang Buaya)   34  39  11  26   9  39      SO2
## 9389  2021-02-15 DKI4 (Lubang Buaya)   42  40  11  25  12  42     PM10
## 9390  2021-02-16 DKI4 (Lubang Buaya)   43  40  11  23  13  43     PM10
## 9391  2021-02-17 DKI4 (Lubang Buaya)   38  40  22  21  15  40      SO2
## 9392  2021-02-18 DKI4 (Lubang Buaya)   37  41  10  22  11  41      SO2
## 9393  2021-02-19 DKI4 (Lubang Buaya)   25  39  16  20  13  39      SO2
## 9394  2021-02-20 DKI4 (Lubang Buaya)   33  39  12  24  12  39      SO2
## 9395  2021-02-21 DKI4 (Lubang Buaya)   21  39  10  23  10  39      SO2
## 9396  2021-02-22 DKI4 (Lubang Buaya)   59  40  21  25  12  59     PM10
## 9397  2021-02-23 DKI4 (Lubang Buaya)   51  40  16  24  11  51     PM10
## 9398  2021-02-24 DKI4 (Lubang Buaya)   42  39   9  13   6  42     PM10
## 9399  2021-02-25 DKI4 (Lubang Buaya)   16  39   9  19   4  39      SO2
## 9400  2021-02-26 DKI4 (Lubang Buaya)   48  39  11  23  13  48     PM10
## 9401  2021-02-27 DKI4 (Lubang Buaya)   59  40  13  30  12  59     PM10
## 9402  2021-02-28 DKI4 (Lubang Buaya)   68  39  18  24  14  68     PM10
## 9524  2021-03-01 DKI4 (Lubang Buaya)   56  40  13  19   9  56     PM10
## 9525  2021-03-02 DKI4 (Lubang Buaya)   46  39  17  29  14  46     PM10
## 9526  2021-03-03 DKI4 (Lubang Buaya)   52  41  19  31  14  52     PM10
## 9527  2021-03-04 DKI4 (Lubang Buaya)   62  40  19  33  11  62     PM10
## 9528  2021-03-05 DKI4 (Lubang Buaya)   51  40  14  32  13  51     PM10
## 9529  2021-03-06 DKI4 (Lubang Buaya)   61  40  22  32  13  61     PM10
## 9530  2021-03-07 DKI4 (Lubang Buaya)   60  41  23  34  14  60     PM10
## 9531  2021-03-08 DKI4 (Lubang Buaya)   58  40  16  19   6  58     PM10
## 9532  2021-03-09 DKI4 (Lubang Buaya)   24  41  10  18   8  41      SO2
## 9533  2021-03-10 DKI4 (Lubang Buaya)   56  40  21  21  12  56     PM10
## 9534  2021-03-11 DKI4 (Lubang Buaya)   28  39   9  25   9  39      SO2
## 9535  2021-03-12 DKI4 (Lubang Buaya)   53  41  19  22  13  53     PM10
## 9536  2021-03-13 DKI4 (Lubang Buaya)   37  41  10  20   9  41      SO2
## 9537  2021-03-14 DKI4 (Lubang Buaya)   40  41  16  14   9  41      SO2
## 9538  2021-03-15 DKI4 (Lubang Buaya)   37  42  14  24  12  42      SO2
## 9539  2021-03-16 DKI4 (Lubang Buaya)   57  46  13  37  18  57     PM10
## 9540  2021-03-17 DKI4 (Lubang Buaya)   68  43  20  37  14  68     PM10
## 9541  2021-03-18 DKI4 (Lubang Buaya)   68  45  16  37  22  68     PM10
## 9542  2021-03-19 DKI4 (Lubang Buaya)   57  42  12  42  15  57     PM10
## 9543  2021-03-20 DKI4 (Lubang Buaya)   55  44  12  38  18  55     PM10
## 9544  2021-03-21 DKI4 (Lubang Buaya)   57  41  16  22  17  57     PM10
## 9545  2021-03-22 DKI4 (Lubang Buaya)   52  41  15  20  11  52     PM10
## 9546  2021-03-23 DKI4 (Lubang Buaya)   38  41   8  12   7  41      SO2
## 9547  2021-03-24 DKI4 (Lubang Buaya)   30  40   7  13   9  40      SO2
## 9548  2021-03-25 DKI4 (Lubang Buaya)   36  41   8  19  12  41      SO2
## 9549  2021-03-26 DKI4 (Lubang Buaya)   52  42  17  31  16  52     PM10
## 9550  2021-03-27 DKI4 (Lubang Buaya)   58  43  13  35  20  58     PM10
## 9551  2021-03-28 DKI4 (Lubang Buaya)   50  41  14  37  16  50     PM10
## 9552  2021-03-29 DKI4 (Lubang Buaya)   54  41  18  35  19  54     PM10
## 9553  2021-03-30 DKI4 (Lubang Buaya)   41  42  14  21  25  42      SO2
## 9554  2021-03-31 DKI4 (Lubang Buaya)   48  43  12  25  18  48     PM10
## 9676  2021-04-01 DKI4 (Lubang Buaya)   22  41   7  18  12  41      SO2
## 9677  2021-04-02 DKI4 (Lubang Buaya)   37  44  11  18  12  44      SO2
## 9678  2021-04-03 DKI4 (Lubang Buaya)   39  42   9  22  14  42      SO2
## 9679  2021-04-04 DKI4 (Lubang Buaya)   64  43  26  23  20  64     PM10
## 9680  2021-04-05 DKI4 (Lubang Buaya)   52  43  14  23  16  52     PM10
## 9681  2021-04-06 DKI4 (Lubang Buaya)   30  43   6  15  10  43      SO2
## 9682  2021-04-07 DKI4 (Lubang Buaya)   22  42   5  16   8  42      SO2
## 9683  2021-04-08 DKI4 (Lubang Buaya)   24  48   8  14  10  48      SO2
## 9684  2021-04-09 DKI4 (Lubang Buaya)   42  43   8  21  13  43      SO2
## 9685  2021-04-10 DKI4 (Lubang Buaya)   61  43  15  27  21  61     PM10
## 9686  2021-04-11 DKI4 (Lubang Buaya)   66  47  18  35  24  66     PM10
## 9687  2021-04-12 DKI4 (Lubang Buaya)   57  43  18  27  17  57     PM10
## 9688  2021-04-13 DKI4 (Lubang Buaya)   52  44  13  31  20  52     PM10
## 9689  2021-04-14 DKI4 (Lubang Buaya)   52  42  13  31  14  52     PM10
## 9690  2021-04-15 DKI4 (Lubang Buaya)   55  42  27  25  27  55     PM10
## 9691  2021-04-16 DKI4 (Lubang Buaya)   61  42  17  21  20  61     PM10
## 9692  2021-04-17 DKI4 (Lubang Buaya)   63  43  20  27  19  63     PM10
## 9695  2021-04-20 DKI4 (Lubang Buaya)   56  45  10  34  17  56     PM10
## 9696  2021-04-21 DKI4 (Lubang Buaya)   64  43  16  27  17  64     PM10
## 9697  2021-04-22 DKI4 (Lubang Buaya)   60  45  10  34  17  60     PM10
## 9698  2021-04-23 DKI4 (Lubang Buaya)   67  19  13  31  24  67     PM10
## 9699  2021-04-24 DKI4 (Lubang Buaya)   65  33  13  31  20  65     PM10
## 9700  2021-04-25 DKI4 (Lubang Buaya)   73  37  17  20  17  73     PM10
## 9701  2021-04-26 DKI4 (Lubang Buaya)   64  37  11  22  14  64     PM10
## 9702  2021-04-27 DKI4 (Lubang Buaya)   75  38  11  27  13  75     PM10
## 9703  2021-04-28 DKI4 (Lubang Buaya)   55  37   9  28  17  55     PM10
## 9704  2021-04-29 DKI4 (Lubang Buaya)   51  37  12  23  19  51     PM10
## 9832  2021-05-04 DKI4 (Lubang Buaya)   74  41  15  17  13  74     PM10
## 9833  2021-05-05 DKI4 (Lubang Buaya)   73  38  20  21  21  73     PM10
## 9834  2021-05-06 DKI4 (Lubang Buaya)   54  37   7  27  16  54     PM10
## 9835  2021-05-07 DKI4 (Lubang Buaya)   51  38  22  25  20  51     PM10
## 9836  2021-05-08 DKI4 (Lubang Buaya)   56  39   9  29  15  56     PM10
## 9837  2021-05-09 DKI4 (Lubang Buaya)   46  37   6  31  11  46     PM10
## 9838  2021-05-10 DKI4 (Lubang Buaya)   42  37   7  31  12  42     PM10
## 9839  2021-05-11 DKI4 (Lubang Buaya)   65  38   8  31  11  65     PM10
## 9840  2021-05-12 DKI4 (Lubang Buaya)   67  37   9  27  11  67     PM10
## 9841  2021-05-13 DKI4 (Lubang Buaya)   75  36  13  24  13  75     PM10
## 9842  2021-05-14 DKI4 (Lubang Buaya)   51  38   3  27   8  51     PM10
## 9845  2021-05-17 DKI4 (Lubang Buaya)   49  37   4  28  17  49     PM10
## 9847  2021-05-19 DKI4 (Lubang Buaya)   61  39  10  25  23  61     PM10
## 9848  2021-05-20 DKI4 (Lubang Buaya)   60  36   9  29  19  60     PM10
## 9849  2021-05-21 DKI4 (Lubang Buaya)   55  37   9  27  20  55     PM10
## 9851  2021-05-23 DKI4 (Lubang Buaya)   64  43  31  30  26  64     PM10
## 9852  2021-05-24 DKI4 (Lubang Buaya)   72  57  26  33  24  72     PM10
## 9853  2021-05-25 DKI4 (Lubang Buaya)   42  49   7  37  22  49      SO2
## 9854  2021-05-26 DKI4 (Lubang Buaya)   55  38   9  28  20  55     PM10
## 9855  2021-05-27 DKI4 (Lubang Buaya)   50  41   6  26  18  50     PM10
## 9856  2021-05-28 DKI4 (Lubang Buaya)   56  40  11  26  20  56     PM10
## 9857  2021-05-29 DKI4 (Lubang Buaya)   57  40  10  29  26  57     PM10
## 9858  2021-05-30 DKI4 (Lubang Buaya)   47  41  15  26  23  47     PM10
## 9859  2021-05-31 DKI4 (Lubang Buaya)   59  41   9  37  24  59     PM10
## 9983  2021-06-03 DKI4 (Lubang Buaya)   54  41  11  32  20  54     PM10
## 9984  2021-06-04 DKI4 (Lubang Buaya)   62  43   7  41  17  62     PM10
## 9985  2021-06-05 DKI4 (Lubang Buaya)   57  41  11  36  23  57     PM10
## 9986  2021-06-06 DKI4 (Lubang Buaya)   56  41   9  38  20  56     PM10
## 9987  2021-06-07 DKI4 (Lubang Buaya)   50  41   9  37  21  50     PM10
## 9990  2021-06-10 DKI4 (Lubang Buaya)   68  37   9  32  28  68     PM10
## 9992  2021-06-12 DKI4 (Lubang Buaya)   55  27  13  30  24  55     PM10
## 9993  2021-06-13 DKI4 (Lubang Buaya)   49  36  12  32  23  49     PM10
## 9994  2021-06-14 DKI4 (Lubang Buaya)   63  35  13  28  21  63     PM10
## 9995  2021-06-15 DKI4 (Lubang Buaya)   67  42  13  22  25  67     PM10
## 9996  2021-06-16 DKI4 (Lubang Buaya)   62  35  20  19  22  62     PM10
## 9997  2021-06-17 DKI4 (Lubang Buaya)   64  35  28  20  28  64     PM10
## 9998  2021-06-18 DKI4 (Lubang Buaya)   67  38  19  18  24  67     PM10
## 9999  2021-06-19 DKI4 (Lubang Buaya)   56  31  19  15  31  56     PM10
## 10000 2021-06-20 DKI4 (Lubang Buaya)   74  36  22  20  26  74     PM10
## 10001 2021-06-21 DKI4 (Lubang Buaya)   51  29  14  19  21  51     PM10
## 10002 2021-06-22 DKI4 (Lubang Buaya)   47  33  16  21  22  47     PM10
## 10003 2021-06-23 DKI4 (Lubang Buaya)   58  38  14  23  25  58     PM10
## 10004 2021-06-24 DKI4 (Lubang Buaya)   66  37  15  16  27  66     PM10
## 10005 2021-06-25 DKI4 (Lubang Buaya)   82  39  18  20  24  82     PM10
## 10006 2021-06-26 DKI4 (Lubang Buaya)   67  36  10  26  18  67     PM10
## 10007 2021-06-27 DKI4 (Lubang Buaya)   72  34  18  29  22  72     PM10
## 10008 2021-06-28 DKI4 (Lubang Buaya)   60  36  18  30  22  60     PM10
## 10009 2021-06-29 DKI4 (Lubang Buaya)   65  34  13  27  21  65     PM10
## 10010 2021-06-30 DKI4 (Lubang Buaya)   65  36  14  21  29  65     PM10
## 10134 2021-07-01 DKI4 (Lubang Buaya)   62  37  13  23  27  62     PM10
## 10135 2021-07-02 DKI4 (Lubang Buaya)   59  40  10  18  23  59     PM10
## 10136 2021-07-03 DKI4 (Lubang Buaya)   72  37  13  25  20  72     PM10
## 10137 2021-07-04 DKI4 (Lubang Buaya)   84  38  14  27  22  84     PM10
## 10138 2021-07-05 DKI4 (Lubang Buaya)   83  39  13  31  26  83     PM10
## 10139 2021-07-06 DKI4 (Lubang Buaya)   58  38   9  31  22  58     PM10
## 10140 2021-07-07 DKI4 (Lubang Buaya)   69  40  12  26  26  69     PM10
## 10141 2021-07-08 DKI4 (Lubang Buaya)   74  40  10  29  25  74     PM10
## 10142 2021-07-09 DKI4 (Lubang Buaya)   87  42  11  30  25  87     PM10
## 10143 2021-07-10 DKI4 (Lubang Buaya)   71  45   9  29  21  71     PM10
## 10144 2021-07-11 DKI4 (Lubang Buaya)   66  39  10  21  17  66     PM10
## 10146 2021-07-13 DKI4 (Lubang Buaya)   67  39  11  20  23  67     PM10
## 10147 2021-07-14 DKI4 (Lubang Buaya)   57  39  13  20  26  57     PM10
## 10148 2021-07-15 DKI4 (Lubang Buaya)   95  40  15  22  24  95     PM10
## 10149 2021-07-16 DKI4 (Lubang Buaya)   71  37  11  24  29  71     PM10
## 10150 2021-07-17 DKI4 (Lubang Buaya)   73  35   9  26  19  73     PM10
## 10151 2021-07-18 DKI4 (Lubang Buaya)   75  37  12  32  22  75     PM10
## 10152 2021-07-19 DKI4 (Lubang Buaya)   74  36  11  32  21  74     PM10
## 10153 2021-07-20 DKI4 (Lubang Buaya)   80  38  13  26  21  80     PM10
## 10154 2021-07-21 DKI4 (Lubang Buaya)   55  36   9  30  18  55     PM10
## 10155 2021-07-22 DKI4 (Lubang Buaya)   57  39   9  28  26  57     PM10
## 10156 2021-07-23 DKI4 (Lubang Buaya)   56  36  10  35  25  56     PM10
## 10157 2021-07-24 DKI4 (Lubang Buaya)   56  37  12  27  25  56     PM10
## 10158 2021-07-25 DKI4 (Lubang Buaya)   81  38  22  28  24  81     PM10
## 10159 2021-07-26 DKI4 (Lubang Buaya)   68  39  14  24  25  68     PM10
## 10160 2021-07-27 DKI4 (Lubang Buaya)   71  40  12  24  26  71     PM10
## 10161 2021-07-28 DKI4 (Lubang Buaya)   73  39  14  24  27  73     PM10
## 10162 2021-07-29 DKI4 (Lubang Buaya)   66  40  12  25  25  66     PM10
## 10163 2021-07-30 DKI4 (Lubang Buaya)   83  39  15  37  34  83     PM10
## 10164 2021-07-31 DKI4 (Lubang Buaya)   56  38   9  29  22  56     PM10
## 10289 2021-08-01 DKI4 (Lubang Buaya)   51  39   8  30  22  51     PM10
## 10290 2021-08-02 DKI4 (Lubang Buaya)   42  38   9  27  20  42     PM10
## 10291 2021-08-03 DKI4 (Lubang Buaya)   55  38  12  21  25  55     PM10
## 10292 2021-08-04 DKI4 (Lubang Buaya)   51  41   7  23  20  51     PM10
## 10293 2021-08-05 DKI4 (Lubang Buaya)   53  38   8  21  19  53     PM10
## 10294 2021-08-06 DKI4 (Lubang Buaya)   59  37  16  13  21  59     PM10
## 10295 2021-08-07 DKI4 (Lubang Buaya)   59  38   8  19  18  59     PM10
## 10296 2021-08-08 DKI4 (Lubang Buaya)   54  40   7  21  17  54     PM10
## 10297 2021-08-09 DKI4 (Lubang Buaya)   48  40   6  26  16  48     PM10
## 10298 2021-08-10 DKI4 (Lubang Buaya)   35  38   6  30  19  38      SO2
## 10299 2021-08-11 DKI4 (Lubang Buaya)   56  39  11  27  23  56     PM10
## 10300 2021-08-12 DKI4 (Lubang Buaya)   57  40   8  21  20  57     PM10
## 10301 2021-08-13 DKI4 (Lubang Buaya)   55  40  11  19  25  55     PM10
## 10302 2021-08-14 DKI4 (Lubang Buaya)   58  41   9  21  21  58     PM10
## 10303 2021-08-15 DKI4 (Lubang Buaya)   63  39  11  15  21  63     PM10
## 10304 2021-08-16 DKI4 (Lubang Buaya)   55  41   8  17  21  55     PM10
## 10305 2021-08-17 DKI4 (Lubang Buaya)   59  41   8  24  20  59     PM10
## 10306 2021-08-18 DKI4 (Lubang Buaya)   58  38   9  30  20  58     PM10
## 10307 2021-08-19 DKI4 (Lubang Buaya)   67  42  13  28  28  67     PM10
## 10308 2021-08-20 DKI4 (Lubang Buaya)   64  40  11  28  23  64     PM10
## 10309 2021-08-21 DKI4 (Lubang Buaya)   50  39   8  25  21  50     PM10
## 10310 2021-08-22 DKI4 (Lubang Buaya)   74  43  14  22  29  74     PM10
## 10311 2021-08-23 DKI4 (Lubang Buaya)   63  40  10  24  20  63     PM10
## 10312 2021-08-24 DKI4 (Lubang Buaya)   61  42  11  26  24  61     PM10
## 10313 2021-08-25 DKI4 (Lubang Buaya)   62  42   9  26  28  62     PM10
## 10314 2021-08-26 DKI4 (Lubang Buaya)   53  40   7  28  19  53     PM10
## 10315 2021-08-27 DKI4 (Lubang Buaya)   58  39  10  28  22  58     PM10
## 10316 2021-08-28 DKI4 (Lubang Buaya)   65  38  10  36  23  65     PM10
## 10317 2021-08-29 DKI4 (Lubang Buaya)   66  39  12  28  25  66     PM10
## 10318 2021-08-30 DKI4 (Lubang Buaya)   76  41  16  30  31  76     PM10
## 10319 2021-08-31 DKI4 (Lubang Buaya)   61  41  10  32  26  61     PM10
## 10441 2021-09-01 DKI4 (Lubang Buaya)   68  40  16  26  27  68     PM10
## 10442 2021-09-02 DKI4 (Lubang Buaya)   65  39  12  26  25  65     PM10
## 10443 2021-09-03 DKI4 (Lubang Buaya)   62  42  10  34  23  62     PM10
## 10444 2021-09-04 DKI4 (Lubang Buaya)   57  42   9  31  19  57     PM10
## 10445 2021-09-05 DKI4 (Lubang Buaya)   69  43  12  27  26  69     PM10
## 10446 2021-09-06 DKI4 (Lubang Buaya)   62  42   9  29  16  62     PM10
## 10447 2021-09-07 DKI4 (Lubang Buaya)   56  42   8  21  21  56     PM10
## 10448 2021-09-08 DKI4 (Lubang Buaya)   63  40  15  29  25  63     PM10
## 10449 2021-09-09 DKI4 (Lubang Buaya)   52  41  12  27  24  52     PM10
## 10450 2021-09-10 DKI4 (Lubang Buaya)   45  42   8  26  19  45     PM10
## 10451 2021-09-11 DKI4 (Lubang Buaya)   59  43  10  33  30  59     PM10
## 10452 2021-09-12 DKI4 (Lubang Buaya)   63  41  10  24  19  63     PM10
## 10453 2021-09-13 DKI4 (Lubang Buaya)   54  42   7  18  16  54     PM10
## 10454 2021-09-14 DKI4 (Lubang Buaya)   36  41   6  19  15  41      SO2
## 10455 2021-09-15 DKI4 (Lubang Buaya)   60  42  19  18  23  60     PM10
## 10456 2021-09-16 DKI4 (Lubang Buaya)   53  42   7  28  15  53     PM10
## 10457 2021-09-17 DKI4 (Lubang Buaya)   50  42   6  29  14  50     PM10
## 10458 2021-09-18 DKI4 (Lubang Buaya)   57  43   7  23  15  57     PM10
## 10599 2021-10-06 DKI4 (Lubang Buaya)   66  47   8  37  17  66     PM10
## 10600 2021-10-07 DKI4 (Lubang Buaya)   52  41   7  27  23  52     PM10
## 10601 2021-10-08 DKI4 (Lubang Buaya)   58  45   9  30  22  58     PM10
## 10602 2021-10-09 DKI4 (Lubang Buaya)   55  47   7  36  21  55     PM10
## 10603 2021-10-10 DKI4 (Lubang Buaya)   61  42   9  43  16  61     PM10
## 10604 2021-10-11 DKI4 (Lubang Buaya)   62  43  10  44  26  62     PM10
## 10605 2021-10-12 DKI4 (Lubang Buaya)   70  47   9  32  25  70     PM10
## 10608 2021-10-15 DKI4 (Lubang Buaya)  100  41  15  50  26 100     PM10
## 10609 2021-10-16 DKI4 (Lubang Buaya)   67  40  14  51  23  67     PM10
## 10611 2021-10-18 DKI4 (Lubang Buaya)   57  42  11  32  19  57     PM10
## 10612 2021-10-19 DKI4 (Lubang Buaya)   52  41  18  31  23  52     PM10
## 10615 2021-10-22 DKI4 (Lubang Buaya)   71  45  13  36  21  71     PM10
## 10616 2021-10-23 DKI4 (Lubang Buaya)   65  45  10  35  20  65     PM10
## 10617 2021-10-24 DKI4 (Lubang Buaya)   68  44  15  39  23  68     PM10
## 10618 2021-10-25 DKI4 (Lubang Buaya)   62  44  11  41  22  62     PM10
## 10619 2021-10-26 DKI4 (Lubang Buaya)   75  45  16  36  24  75     PM10
## 10620 2021-10-27 DKI4 (Lubang Buaya)   59  43  10  50  21  59     PM10
## 10621 2021-10-28 DKI4 (Lubang Buaya)   54  40  11  56  18  56       O3
## 10622 2021-10-29 DKI4 (Lubang Buaya)   51  41  15  45  15  51     PM10
## 10623 2021-10-30 DKI4 (Lubang Buaya)   62  43  15  58  18  62     PM10
## 10747 2021-11-02 DKI4 (Lubang Buaya)   54  40  18  47  22  54     PM10
## 10748 2021-11-03 DKI4 (Lubang Buaya)   51  42  12  73  17  73       O3
## 10749 2021-11-04 DKI4 (Lubang Buaya)   58  43  17  27  24  58     PM10
## 10750 2021-11-05 DKI4 (Lubang Buaya)   61  43  16  14  20  61     PM10
## 10751 2021-11-06 DKI4 (Lubang Buaya)   55  44  11  26  29  55     PM10
## 10752 2021-11-07 DKI4 (Lubang Buaya)   52  44   9  35  17  52     PM10
## 10753 2021-11-08 DKI4 (Lubang Buaya)   52  44  14  26  16  52     PM10
## 10754 2021-11-09 DKI4 (Lubang Buaya)   64  43  15  31  19  64     PM10
## 10755 2021-11-10 DKI4 (Lubang Buaya)   61  37  11  20  19  61     PM10
## 10756 2021-11-11 DKI4 (Lubang Buaya)   45  37  10  13  14  45     PM10
## 10757 2021-11-12 DKI4 (Lubang Buaya)   32  37   7  19  14  37      SO2
## 10758 2021-11-13 DKI4 (Lubang Buaya)   52  38  14  30  17  52     PM10
## 10759 2021-11-14 DKI4 (Lubang Buaya)   48  36  13  24  14  48     PM10
## 10760 2021-11-15 DKI4 (Lubang Buaya)   36  36   7  16  11  36     PM10
## 10761 2021-11-16 DKI4 (Lubang Buaya)   42  36  10  15  14  42     PM10
## 10762 2021-11-17 DKI4 (Lubang Buaya)   60  39  10  19  14  60     PM10
## 10763 2021-11-18 DKI4 (Lubang Buaya)   63  41   9  27  18  63     PM10
## 10764 2021-11-19 DKI4 (Lubang Buaya)   23  36   3  17   8  36      SO2
## 10765 2021-11-20 DKI4 (Lubang Buaya)   26  38   6  21  13  38      SO2
## 10766 2021-11-21 DKI4 (Lubang Buaya)   44  37  19  13  14  44     PM10
## 10767 2021-11-22 DKI4 (Lubang Buaya)   23  37   4  14   9  37      SO2
## 10768 2021-11-23 DKI4 (Lubang Buaya)   17  36   3  15   7  36      SO2
## 10769 2021-11-24 DKI4 (Lubang Buaya)   27  37   5  26  12  37      SO2
## 10770 2021-11-25 DKI4 (Lubang Buaya)   54  38  11  24  18  54     PM10
## 10771 2021-11-26 DKI4 (Lubang Buaya)   58  38  14  17  13  58     PM10
## 10772 2021-11-27 DKI4 (Lubang Buaya)   37  37   8  13  12  37     PM10
## 10773 2021-11-28 DKI4 (Lubang Buaya)   18  37   4  18  10  37      SO2
## 10774 2021-11-29 DKI4 (Lubang Buaya)   29  37   8  17  11  37      SO2
## 10775 2021-11-30 DKI4 (Lubang Buaya)   39  38   8  24  15  39     PM10
## 10899 2021-12-01 DKI4 (Lubang Buaya)   63  39  12  19  23  63     PM10
## 10900 2021-12-02 DKI4 (Lubang Buaya)   33  38   5  18  13  38      SO2
## 10901 2021-12-03 DKI4 (Lubang Buaya)   41  39   7  23  15  41     PM10
## 10902 2021-12-04 DKI4 (Lubang Buaya)   42  39   8  14  15  42     PM10
## 10903 2021-12-05 DKI4 (Lubang Buaya)   53  39  17  13  15  53     PM10
## 10904 2021-12-06 DKI4 (Lubang Buaya)   52  41  20  23  19  52     PM10
## 10905 2021-12-07 DKI4 (Lubang Buaya)  179  39   9  17  15 179     PM10
## 10906 2021-12-08 DKI4 (Lubang Buaya)   47  40  14  25  14  47     PM10
## 10907 2021-12-09 DKI4 (Lubang Buaya)   38  40   9  28  19  40      SO2
## 10908 2021-12-10 DKI4 (Lubang Buaya)   45  42  10  24  19  45     PM10
## 10909 2021-12-11 DKI4 (Lubang Buaya)   32  39   7  22  17  39      SO2
## 10912 2021-12-14 DKI4 (Lubang Buaya)   50  40   7  28  14  50     PM10
## 10913 2021-12-15 DKI4 (Lubang Buaya)   69  40  15  29  23  69     PM10
## 10914 2021-12-16 DKI4 (Lubang Buaya)   78  41  14  32  18  78     PM10
## 10915 2021-12-17 DKI4 (Lubang Buaya)   55  39  13  34  17  55     PM10
## 10917 2021-12-19 DKI4 (Lubang Buaya)   64  41  21  40  22  64     PM10
## 10918 2021-12-20 DKI4 (Lubang Buaya)   57  42  10  30  16  57     PM10
## 10919 2021-12-21 DKI4 (Lubang Buaya)   62  42  17  13  27  62     PM10
##          Kategori year month day weekday year_month
## 94         SEDANG 2016     1   1       6    2016-01
## 95           BAIK 2016     1   2       7    2016-01
## 96           BAIK 2016     1   3       1    2016-01
## 97         SEDANG 2016     1   4       2    2016-01
## 98         SEDANG 2016     1   5       3    2016-01
## 99         SEDANG 2016     1   6       4    2016-01
## 100        SEDANG 2016     1   7       5    2016-01
## 101        SEDANG 2016     1   8       6    2016-01
## 102        SEDANG 2016     1   9       7    2016-01
## 103        SEDANG 2016     1  10       1    2016-01
## 104        SEDANG 2016     1  11       2    2016-01
## 105        SEDANG 2016     1  12       3    2016-01
## 106        SEDANG 2016     1  13       4    2016-01
## 107        SEDANG 2016     1  14       5    2016-01
## 108        SEDANG 2016     1  15       6    2016-01
## 109        SEDANG 2016     1  16       7    2016-01
## 110        SEDANG 2016     1  17       1    2016-01
## 111        SEDANG 2016     1  18       2    2016-01
## 112        SEDANG 2016     1  19       3    2016-01
## 113        SEDANG 2016     1  20       4    2016-01
## 244        SEDANG 2016     2   2       3    2016-02
## 246        SEDANG 2016     2   4       5    2016-02
## 247        SEDANG 2016     2   5       6    2016-02
## 248        SEDANG 2016     2   6       7    2016-02
## 249        SEDANG 2016     2   7       1    2016-02
## 250          BAIK 2016     2   8       2    2016-02
## 251          BAIK 2016     2   9       3    2016-02
## 252          BAIK 2016     2  10       4    2016-02
## 253        SEDANG 2016     2  11       5    2016-02
## 254          BAIK 2016     2  12       6    2016-02
## 255        SEDANG 2016     2  13       7    2016-02
## 256        SEDANG 2016     2  14       1    2016-02
## 257        SEDANG 2016     2  15       2    2016-02
## 259        SEDANG 2016     2  17       4    2016-02
## 260        SEDANG 2016     2  18       5    2016-02
## 261        SEDANG 2016     2  19       6    2016-02
## 262        SEDANG 2016     2  20       7    2016-02
## 263        SEDANG 2016     2  21       1    2016-02
## 264        SEDANG 2016     2  22       2    2016-02
## 265        SEDANG 2016     2  23       3    2016-02
## 266        SEDANG 2016     2  24       4    2016-02
## 267          BAIK 2016     2  25       5    2016-02
## 268          BAIK 2016     2  26       6    2016-02
## 269        SEDANG 2016     2  27       7    2016-02
## 270          BAIK 2016     2  28       1    2016-02
## 271        SEDANG 2016     2  29       2    2016-02
## 394          BAIK 2016     3   1       3    2016-03
## 395        SEDANG 2016     3   2       4    2016-03
## 396        SEDANG 2016     3   3       5    2016-03
## 397        SEDANG 2016     3   4       6    2016-03
## 398        SEDANG 2016     3   5       7    2016-03
## 399        SEDANG 2016     3   6       1    2016-03
## 400          BAIK 2016     3   7       2    2016-03
## 401        SEDANG 2016     3   8       3    2016-03
## 402        SEDANG 2016     3   9       4    2016-03
## 403        SEDANG 2016     3  10       5    2016-03
## 404        SEDANG 2016     3  11       6    2016-03
## 405        SEDANG 2016     3  12       7    2016-03
## 406        SEDANG 2016     3  13       1    2016-03
## 407        SEDANG 2016     3  14       2    2016-03
## 408        SEDANG 2016     3  15       3    2016-03
## 409        SEDANG 2016     3  16       4    2016-03
## 410        SEDANG 2016     3  17       5    2016-03
## 411        SEDANG 2016     3  18       6    2016-03
## 412        SEDANG 2016     3  19       7    2016-03
## 413        SEDANG 2016     3  20       1    2016-03
## 414        SEDANG 2016     3  21       2    2016-03
## 423        SEDANG 2016     3  30       4    2016-03
## 424        SEDANG 2016     3  31       5    2016-03
## 546        SEDANG 2016     4   1       6    2016-04
## 547        SEDANG 2016     4   2       7    2016-04
## 548        SEDANG 2016     4   3       1    2016-04
## 549          BAIK 2016     4   4       2    2016-04
## 550        SEDANG 2016     4   5       3    2016-04
## 551        SEDANG 2016     4   6       4    2016-04
## 552        SEDANG 2016     4   7       5    2016-04
## 553        SEDANG 2016     4   8       6    2016-04
## 554        SEDANG 2016     4   9       7    2016-04
## 555        SEDANG 2016     4  10       1    2016-04
## 556        SEDANG 2016     4  11       2    2016-04
## 557        SEDANG 2016     4  12       3    2016-04
## 558        SEDANG 2016     4  13       4    2016-04
## 559        SEDANG 2016     4  14       5    2016-04
## 560        SEDANG 2016     4  15       6    2016-04
## 561        SEDANG 2016     4  16       7    2016-04
## 562        SEDANG 2016     4  17       1    2016-04
## 572        SEDANG 2016     4  27       4    2016-04
## 573        SEDANG 2016     4  28       5    2016-04
## 574        SEDANG 2016     4  29       6    2016-04
## 575        SEDANG 2016     4  30       7    2016-04
## 699        SEDANG 2016     5   1       1    2016-05
## 700        SEDANG 2016     5   2       2    2016-05
## 701        SEDANG 2016     5   3       3    2016-05
## 702        SEDANG 2016     5   4       4    2016-05
## 703        SEDANG 2016     5   5       5    2016-05
## 704        SEDANG 2016     5   6       6    2016-05
## 705        SEDANG 2016     5   7       7    2016-05
## 706        SEDANG 2016     5   8       1    2016-05
## 707        SEDANG 2016     5   9       2    2016-05
## 708        SEDANG 2016     5  10       3    2016-05
## 709        SEDANG 2016     5  11       4    2016-05
## 710        SEDANG 2016     5  12       5    2016-05
## 711        SEDANG 2016     5  13       6    2016-05
## 712        SEDANG 2016     5  14       7    2016-05
## 713          BAIK 2016     5  15       1    2016-05
## 714          BAIK 2016     5  16       2    2016-05
## 715        SEDANG 2016     5  17       3    2016-05
## 716        SEDANG 2016     5  18       4    2016-05
## 717        SEDANG 2016     5  19       5    2016-05
## 718        SEDANG 2016     5  20       6    2016-05
## 719        SEDANG 2016     5  21       7    2016-05
## 721        SEDANG 2016     5  23       2    2016-05
## 722        SEDANG 2016     5  24       3    2016-05
## 723        SEDANG 2016     5  25       4    2016-05
## 724        SEDANG 2016     5  26       5    2016-05
## 725        SEDANG 2016     5  27       6    2016-05
## 726        SEDANG 2016     5  28       7    2016-05
## 727        SEDANG 2016     5  29       1    2016-05
## 728        SEDANG 2016     5  30       2    2016-05
## 729        SEDANG 2016     5  31       3    2016-05
## 851        SEDANG 2016     6   1       4    2016-06
## 852        SEDANG 2016     6   2       5    2016-06
## 853        SEDANG 2016     6   3       6    2016-06
## 854        SEDANG 2016     6   4       7    2016-06
## 855        SEDANG 2016     6   5       1    2016-06
## 856        SEDANG 2016     6   6       2    2016-06
## 857        SEDANG 2016     6   7       3    2016-06
## 858        SEDANG 2016     6   8       4    2016-06
## 859        SEDANG 2016     6   9       5    2016-06
## 860        SEDANG 2016     6  10       6    2016-06
## 861        SEDANG 2016     6  11       7    2016-06
## 862        SEDANG 2016     6  12       1    2016-06
## 863        SEDANG 2016     6  13       2    2016-06
## 864        SEDANG 2016     6  14       3    2016-06
## 865        SEDANG 2016     6  15       4    2016-06
## 866        SEDANG 2016     6  16       5    2016-06
## 867        SEDANG 2016     6  17       6    2016-06
## 868          BAIK 2016     6  18       7    2016-06
## 869   TIDAK SEHAT 2016     6  19       1    2016-06
## 870        SEDANG 2016     6  20       2    2016-06
## 871        SEDANG 2016     6  21       3    2016-06
## 872        SEDANG 2016     6  22       4    2016-06
## 873        SEDANG 2016     6  23       5    2016-06
## 874        SEDANG 2016     6  24       6    2016-06
## 875        SEDANG 2016     6  25       7    2016-06
## 876        SEDANG 2016     6  26       1    2016-06
## 877        SEDANG 2016     6  27       2    2016-06
## 879          BAIK 2016     6  29       4    2016-06
## 880        SEDANG 2016     6  30       5    2016-06
## 1004       SEDANG 2016     7   1       6    2016-07
## 1005       SEDANG 2016     7   2       7    2016-07
## 1006         BAIK 2016     7   3       1    2016-07
## 1007         BAIK 2016     7   4       2    2016-07
## 1008         BAIK 2016     7   5       3    2016-07
## 1009         BAIK 2016     7   6       4    2016-07
## 1010       SEDANG 2016     7   7       5    2016-07
## 1011       SEDANG 2016     7   8       6    2016-07
## 1012       SEDANG 2016     7   9       7    2016-07
## 1013         BAIK 2016     7  10       1    2016-07
## 1014         BAIK 2016     7  11       2    2016-07
## 1015       SEDANG 2016     7  12       3    2016-07
## 1016       SEDANG 2016     7  13       4    2016-07
## 1017       SEDANG 2016     7  14       5    2016-07
## 1018       SEDANG 2016     7  15       6    2016-07
## 1019       SEDANG 2016     7  16       7    2016-07
## 1022       SEDANG 2016     7  19       3    2016-07
## 1023       SEDANG 2016     7  20       4    2016-07
## 1024       SEDANG 2016     7  21       5    2016-07
## 1025       SEDANG 2016     7  22       6    2016-07
## 1029       SEDANG 2016     7  26       3    2016-07
## 1030       SEDANG 2016     7  27       4    2016-07
## 1031       SEDANG 2016     7  28       5    2016-07
## 1032       SEDANG 2016     7  29       6    2016-07
## 1033       SEDANG 2016     7  30       7    2016-07
## 1034       SEDANG 2016     7  31       1    2016-07
## 1159       SEDANG 2016     8   1       2    2016-08
## 1160       SEDANG 2016     8   2       3    2016-08
## 1161       SEDANG 2016     8   3       4    2016-08
## 1162  TIDAK SEHAT 2016     8   4       5    2016-08
## 1163  TIDAK SEHAT 2016     8   5       6    2016-08
## 1164       SEDANG 2016     8   6       7    2016-08
## 1165       SEDANG 2016     8   7       1    2016-08
## 1166       SEDANG 2016     8   8       2    2016-08
## 1167       SEDANG 2016     8   9       3    2016-08
## 1168       SEDANG 2016     8  10       4    2016-08
## 1169       SEDANG 2016     8  11       5    2016-08
## 1170       SEDANG 2016     8  12       6    2016-08
## 1171       SEDANG 2016     8  13       7    2016-08
## 1172         BAIK 2016     8  14       1    2016-08
## 1173  TIDAK SEHAT 2016     8  15       2    2016-08
## 1174       SEDANG 2016     8  16       3    2016-08
## 1175       SEDANG 2016     8  17       4    2016-08
## 1176       SEDANG 2016     8  18       5    2016-08
## 1177       SEDANG 2016     8  19       6    2016-08
## 1178       SEDANG 2016     8  20       7    2016-08
## 1179       SEDANG 2016     8  21       1    2016-08
## 1180       SEDANG 2016     8  22       2    2016-08
## 1181  TIDAK SEHAT 2016     8  23       3    2016-08
## 1182  TIDAK SEHAT 2016     8  24       4    2016-08
## 1183       SEDANG 2016     8  25       5    2016-08
## 1312       SEDANG 2016     8   2       3    2016-08
## 1313       SEDANG 2016     8   3       4    2016-08
## 1314       SEDANG 2016     8   4       5    2016-08
## 1315       SEDANG 2016     8   5       6    2016-08
## 1316       SEDANG 2016     8   6       7    2016-08
## 1317       SEDANG 2016     8   7       1    2016-08
## 1318       SEDANG 2016     8   8       2    2016-08
## 1319       SEDANG 2016     8   9       3    2016-08
## 1320       SEDANG 2016     8  10       4    2016-08
## 1321       SEDANG 2016     8  11       5    2016-08
## 1324       SEDANG 2016     8  14       1    2016-08
## 1325       SEDANG 2016     8  15       2    2016-08
## 1326       SEDANG 2016     8  16       3    2016-08
## 1327       SEDANG 2016     8  17       4    2016-08
## 1328       SEDANG 2016     8  18       5    2016-08
## 1329       SEDANG 2016     8  19       6    2016-08
## 1330       SEDANG 2016     8  20       7    2016-08
## 1331       SEDANG 2016     8  21       1    2016-08
## 1332       SEDANG 2016     8  22       2    2016-08
## 1333       SEDANG 2016     8  23       3    2016-08
## 1334       SEDANG 2016     8  24       4    2016-08
## 1335       SEDANG 2016     8  25       5    2016-08
## 1336         BAIK 2016     8  26       6    2016-08
## 1337       SEDANG 2016     8  27       7    2016-08
## 1338       SEDANG 2016     8  28       1    2016-08
## 1339       SEDANG 2016     8  29       2    2016-08
## 1340       SEDANG 2016     8  30       3    2016-08
## 1464       SEDANG 2016    10   1       7    2016-10
## 1465         BAIK 2016    10   2       1    2016-10
## 1466       SEDANG 2016    10   3       2    2016-10
## 1467       SEDANG 2016    10   4       3    2016-10
## 1469  TIDAK SEHAT 2016    10   6       5    2016-10
## 1470  TIDAK SEHAT 2016    10   7       6    2016-10
## 1471       SEDANG 2016    10  10       2    2016-10
## 1475       SEDANG 2016    10  12       4    2016-10
## 1476       SEDANG 2016    10  13       5    2016-10
## 1477       SEDANG 2016    10  14       6    2016-10
## 1478       SEDANG 2016    10  15       7    2016-10
## 1479       SEDANG 2016    10  16       1    2016-10
## 1480       SEDANG 2016    10  17       2    2016-10
## 1481       SEDANG 2016    10  18       3    2016-10
## 1482       SEDANG 2016    10  19       4    2016-10
## 1483       SEDANG 2016    10  20       5    2016-10
## 1484       SEDANG 2016    10  21       6    2016-10
## 1485       SEDANG 2016    10  22       7    2016-10
## 1486         BAIK 2016    10  23       1    2016-10
## 1487       SEDANG 2016    10  24       2    2016-10
## 1488       SEDANG 2016    10  25       3    2016-10
## 1489       SEDANG 2016    10  26       4    2016-10
## 1490       SEDANG 2016    10  27       5    2016-10
## 1491       SEDANG 2016    10  28       6    2016-10
## 1492       SEDANG 2016    10  29       7    2016-10
## 1493       SEDANG 2016    10  30       1    2016-10
## 1494       SEDANG 2016    10  31       2    2016-10
## 1616         BAIK 2016    11   1       3    2016-11
## 1617         BAIK 2016    11   2       4    2016-11
## 1618       SEDANG 2016    11   3       5    2016-11
## 1620  TIDAK SEHAT 2016    11   5       7    2016-11
## 1621  TIDAK SEHAT 2016    11   6       1    2016-11
## 1622       SEDANG 2016    11   7       2    2016-11
## 1623       SEDANG 2016    11  11       6    2016-11
## 1624       SEDANG 2016    11  11       6    2016-11
## 1625       SEDANG 2016    11  10       5    2016-11
## 1626  TIDAK SEHAT 2016    11  11       6    2016-11
## 1627       SEDANG 2016    11  12       7    2016-11
## 1628       SEDANG 2016    11  13       1    2016-11
## 1629  TIDAK SEHAT 2016    11  14       2    2016-11
## 1630       SEDANG 2016    11  15       3    2016-11
## 1631  TIDAK SEHAT 2016    11  16       4    2016-11
## 1632       SEDANG 2016    11  17       5    2016-11
## 1633       SEDANG 2016    11  18       6    2016-11
## 1634       SEDANG 2016    11  19       7    2016-11
## 1635       SEDANG 2016    11  20       1    2016-11
## 1636       SEDANG 2016    11  21       2    2016-11
## 1640         BAIK 2016    11  25       6    2016-11
## 1641       SEDANG 2016    11  26       7    2016-11
## 1642       SEDANG 2016    11  27       1    2016-11
## 1643       SEDANG 2016    11  28       2    2016-11
## 1644       SEDANG 2016    11  29       3    2016-11
## 1645       SEDANG 2016    11  30       4    2016-11
## 1769       SEDANG 2016    12   1       5    2016-12
## 1770         BAIK 2016    12   2       6    2016-12
## 1771         BAIK 2016    12   3       7    2016-12
## 1772         BAIK 2016    12   4       1    2016-12
## 1773         BAIK 2016    12   5       2    2016-12
## 1774         BAIK 2016    12   6       3    2016-12
## 1775         BAIK 2016    12   7       4    2016-12
## 1776       SEDANG 2016    12  12       2    2016-12
## 1777         BAIK 2016    12   9       6    2016-12
## 1778         BAIK 2016    12  10       7    2016-12
## 1779         BAIK 2016    12  11       1    2016-12
## 1780         BAIK 2016    12  12       2    2016-12
## 1781         BAIK 2016    12  13       3    2016-12
## 1782         BAIK 2016    12  14       4    2016-12
## 1783         BAIK 2016    12  15       5    2016-12
## 1784         BAIK 2016    12  16       6    2016-12
## 1785         BAIK 2016    12  17       7    2016-12
## 1786         BAIK 2016    12  18       1    2016-12
## 1787         BAIK 2016    12  19       2    2016-12
## 1788         BAIK 2016    12  20       3    2016-12
## 1789         BAIK 2016    12  21       4    2016-12
## 1790         BAIK 2016    12  22       5    2016-12
## 1791         BAIK 2016    12  23       6    2016-12
## 1792         BAIK 2016    12  24       7    2016-12
## 1793         BAIK 2016    12  25       1    2016-12
## 1794       SEDANG 2016    12  26       2    2016-12
## 1795         BAIK 2016    12  27       3    2016-12
## 1796         BAIK 2016    12  28       4    2016-12
## 1797         BAIK 2016    12  29       5    2016-12
## 1798       SEDANG 2016    12  30       6    2016-12
## 1799       SEDANG 2016    12  31       7    2016-12
## 1924       SEDANG 2017     1   1       1    2017-01
## 1925         BAIK 2017     1   2       2    2017-01
## 1927       SEDANG 2017     1   4       4    2017-01
## 1928       SEDANG 2017     1   5       5    2017-01
## 1929       SEDANG 2017     1   6       6    2017-01
## 1930       SEDANG 2017     1   7       7    2017-01
## 1931       SEDANG 2017     1   8       1    2017-01
## 1932       SEDANG 2017     1   9       2    2017-01
## 1933       SEDANG 2017     1  10       3    2017-01
## 1934         BAIK 2017     1  11       4    2017-01
## 1935         BAIK 2017     1  12       5    2017-01
## 1936         BAIK 2017     1  13       6    2017-01
## 1937         BAIK 2017     1  14       7    2017-01
## 1938         BAIK 2017     1  15       1    2017-01
## 1940         BAIK 2017     1  17       3    2017-01
## 1941         BAIK 2017     1  18       4    2017-01
## 1942         BAIK 2017     1  19       5    2017-01
## 1943         BAIK 2017     1  20       6    2017-01
## 1944       SEDANG 2017     1  21       7    2017-01
## 1945       SEDANG 2017     1  22       1    2017-01
## 1946         BAIK 2017     1  23       2    2017-01
## 1948         BAIK 2017     1  25       4    2017-01
## 1950       SEDANG 2017     1  27       6    2017-01
## 1951         BAIK 2017     1  28       7    2017-01
## 1952         BAIK 2017     1  29       1    2017-01
## 1953         BAIK 2017     1  30       2    2017-01
## 1954         BAIK 2017     1  31       3    2017-01
## 2070         BAIK 2017     2   1       4    2017-02
## 2071         BAIK 2017     2   2       5    2017-02
## 2072         BAIK 2017     2   3       6    2017-02
## 2073         BAIK 2017     2   4       7    2017-02
## 2076         BAIK 2017     2   7       3    2017-02
## 2077         BAIK 2017     2   8       4    2017-02
## 2078         BAIK 2017     2   9       5    2017-02
## 2079         BAIK 2017     2  10       6    2017-02
## 2080         BAIK 2017     2  11       7    2017-02
## 2081         BAIK 2017     2  12       1    2017-02
## 2082         BAIK 2017     2  13       2    2017-02
## 2083         BAIK 2017     2  14       3    2017-02
## 2084         BAIK 2017     2  15       4    2017-02
## 2085         BAIK 2017     2  16       5    2017-02
## 2086       SEDANG 2017     2  17       6    2017-02
## 2087       SEDANG 2017     2  18       7    2017-02
## 2088       SEDANG 2017     2  19       1    2017-02
## 2089       SEDANG 2017     2  20       2    2017-02
## 2090       SEDANG 2017     2  21       3    2017-02
## 2091  TIDAK SEHAT 2017     2  22       4    2017-02
## 2092  TIDAK SEHAT 2017     2  23       5    2017-02
## 2093       SEDANG 2017     2  24       6    2017-02
## 2094       SEDANG 2017     2  25       7    2017-02
## 2095       SEDANG 2017     2  26       1    2017-02
## 2096       SEDANG 2017     2  27       2    2017-02
## 2097       SEDANG 2017     2  28       3    2017-02
## 2219       SEDANG 2017     3   1       4    2017-03
## 2220       SEDANG 2017     3   2       5    2017-03
## 2221       SEDANG 2017     3   3       6    2017-03
## 2222       SEDANG 2017     3   4       7    2017-03
## 2223       SEDANG 2017     3   5       1    2017-03
## 2224       SEDANG 2017     3   6       2    2017-03
## 2225       SEDANG 2017     3   7       3    2017-03
## 2226       SEDANG 2017     3   8       4    2017-03
## 2227  TIDAK SEHAT 2017     3   9       5    2017-03
## 2228       SEDANG 2017     3  10       6    2017-03
## 2229       SEDANG 2017     3  11       7    2017-03
## 2230       SEDANG 2017     3  12       1    2017-03
## 2231       SEDANG 2017     3  13       2    2017-03
## 2232       SEDANG 2017     3  14       3    2017-03
## 2233         BAIK 2017     3  15       4    2017-03
## 2234       SEDANG 2017     3  16       5    2017-03
## 2235       SEDANG 2017     3  17       6    2017-03
## 2236       SEDANG 2017     3  18       7    2017-03
## 2237         BAIK 2017     3  19       1    2017-03
## 2238         BAIK 2017     3  20       2    2017-03
## 2239         BAIK 2017     3  21       3    2017-03
## 2240         BAIK 2017     3  22       4    2017-03
## 2241       SEDANG 2017     3  23       5    2017-03
## 2242       SEDANG 2017     3  24       6    2017-03
## 2243       SEDANG 2017     3  25       7    2017-03
## 2244       SEDANG 2017     3  26       1    2017-03
## 2245       SEDANG 2017     3  27       2    2017-03
## 2246       SEDANG 2017     3  28       3    2017-03
## 2247       SEDANG 2017     3  29       4    2017-03
## 2248         BAIK 2017     3  30       5    2017-03
## 2249         BAIK 2017     3  31       6    2017-03
## 2371       SEDANG 2017     4   1       7    2017-04
## 2372       SEDANG 2017     4   2       1    2017-04
## 2373       SEDANG 2017     4   3       2    2017-04
## 2374       SEDANG 2017     4   4       3    2017-04
## 2375       SEDANG 2017     4   5       4    2017-04
## 2376         BAIK 2017     4   6       5    2017-04
## 2377         BAIK 2017     4   7       6    2017-04
## 2378         BAIK 2017     4   8       7    2017-04
## 2379         BAIK 2017     4   9       1    2017-04
## 2381       SEDANG 2017     4  11       3    2017-04
## 2382       SEDANG 2017     4  12       4    2017-04
## 2383       SEDANG 2017     4  13       5    2017-04
## 2384       SEDANG 2017     4  14       6    2017-04
## 2385       SEDANG 2017     4  15       7    2017-04
## 2386       SEDANG 2017     4  16       1    2017-04
## 2387       SEDANG 2017     4  17       2    2017-04
## 2388       SEDANG 2017     4  18       3    2017-04
## 2389       SEDANG 2017     4  19       4    2017-04
## 2390       SEDANG 2017     4  20       5    2017-04
## 2391       SEDANG 2017     4  21       6    2017-04
## 2392       SEDANG 2017     4  22       7    2017-04
## 2393       SEDANG 2017     4  23       1    2017-04
## 2394       SEDANG 2017     4  24       2    2017-04
## 2395       SEDANG 2017     4  25       3    2017-04
## 2396       SEDANG 2017     4  26       4    2017-04
## 2397       SEDANG 2017     4  27       5    2017-04
## 2398       SEDANG 2017     4  28       6    2017-04
## 2399       SEDANG 2017     4  29       7    2017-04
## 2400       SEDANG 2017     4  30       1    2017-04
## 2524       SEDANG 2017     5   1       2    2017-05
## 2525       SEDANG 2017     5   2       3    2017-05
## 2528       SEDANG 2017     5   5       6    2017-05
## 2531       SEDANG 2017     5   8       2    2017-05
## 2534       SEDANG 2017     5  11       5    2017-05
## 2535       SEDANG 2017     5  12       6    2017-05
## 2536       SEDANG 2017     5  13       7    2017-05
## 2537       SEDANG 2017     5  14       1    2017-05
## 2538       SEDANG 2017     5  15       2    2017-05
## 2539       SEDANG 2017     5  16       3    2017-05
## 2541       SEDANG 2017     5  18       5    2017-05
## 2542       SEDANG 2017     5  19       6    2017-05
## 2543       SEDANG 2017     5  20       7    2017-05
## 2544       SEDANG 2017     5  21       1    2017-05
## 2545       SEDANG 2017     5  22       2    2017-05
## 2546       SEDANG 2017     5  23       3    2017-05
## 2676         BAIK 2017     6   1       5    2017-06
## 2677       SEDANG 2017     6   2       6    2017-06
## 2680       SEDANG 2017     6   5       2    2017-06
## 2681       SEDANG 2017     6   6       3    2017-06
## 2682       SEDANG 2017     6   7       4    2017-06
## 2685       SEDANG 2017     6  10       7    2017-06
## 2687       SEDANG 2017     6  12       2    2017-06
## 2692       SEDANG 2017     6  17       7    2017-06
## 2693       SEDANG 2017     6  18       1    2017-06
## 2694       SEDANG 2017     6  19       2    2017-06
## 2695       SEDANG 2017     6  20       3    2017-06
## 2701         BAIK 2017     6  26       2    2017-06
## 2702         BAIK 2017     6  27       3    2017-06
## 2705         BAIK 2017     6  30       6    2017-06
## 2829         BAIK 2017     7   1       7    2017-07
## 2830       SEDANG 2017     7   2       1    2017-07
## 2831       SEDANG 2017     7   3       2    2017-07
## 2832       SEDANG 2017     7   4       3    2017-07
## 2833       SEDANG 2017     7   5       4    2017-07
## 2834       SEDANG 2017     7   6       5    2017-07
## 2836       SEDANG 2017     7   8       7    2017-07
## 2837       SEDANG 2017     7   9       1    2017-07
## 2838       SEDANG 2017     7  10       2    2017-07
## 2840       SEDANG 2017     7  12       4    2017-07
## 2842       SEDANG 2017     7  14       6    2017-07
## 2843       SEDANG 2017     7  15       7    2017-07
## 2844       SEDANG 2017     7  16       1    2017-07
## 2845       SEDANG 2017     7  17       2    2017-07
## 2846       SEDANG 2017     7  18       3    2017-07
## 2847       SEDANG 2017     7  19       4    2017-07
## 2848       SEDANG 2017     7  20       5    2017-07
## 2849  TIDAK SEHAT 2017     7  21       6    2017-07
## 2850  TIDAK SEHAT 2017     7  22       7    2017-07
## 2851       SEDANG 2017     7  23       1    2017-07
## 2852       SEDANG 2017     7  24       2    2017-07
## 2854       SEDANG 2017     7  26       4    2017-07
## 2855       SEDANG 2017     7  27       5    2017-07
## 2856       SEDANG 2017     7  28       6    2017-07
## 2857         BAIK 2017     7  29       7    2017-07
## 2985       SEDANG 2017     8   2       4    2017-08
## 2986       SEDANG 2017     8   3       5    2017-08
## 2987       SEDANG 2017     8   4       6    2017-08
## 2988       SEDANG 2017     8   5       7    2017-08
## 2989       SEDANG 2017     8   6       1    2017-08
## 2990       SEDANG 2017     8   7       2    2017-08
## 2993       SEDANG 2017     8  10       5    2017-08
## 2994       SEDANG 2017     8  11       6    2017-08
## 2995       SEDANG 2017     8  12       7    2017-08
## 2996       SEDANG 2017     8  13       1    2017-08
## 2997       SEDANG 2017     8  14       2    2017-08
## 3000       SEDANG 2017     8  17       5    2017-08
## 3001       SEDANG 2017     8  18       6    2017-08
## 3002       SEDANG 2017     8  19       7    2017-08
## 3014       SEDANG 2017     8  31       5    2017-08
## 3136       SEDANG 2017     9   1       6    2017-09
## 3137       SEDANG 2017     9   2       7    2017-09
## 3138  TIDAK SEHAT 2017     9   3       1    2017-09
## 3139  TIDAK SEHAT 2017     9   4       2    2017-09
## 3140       SEDANG 2017     9   5       3    2017-09
## 3141       SEDANG 2017     9   6       4    2017-09
## 3142       SEDANG 2017     9   7       5    2017-09
## 3143       SEDANG 2017     9   8       6    2017-09
## 3144       SEDANG 2017     9   9       7    2017-09
## 3145       SEDANG 2017     9  10       1    2017-09
## 3146       SEDANG 2017     9  11       2    2017-09
## 3147       SEDANG 2017     9  12       3    2017-09
## 3148  TIDAK SEHAT 2017     9  13       4    2017-09
## 3149  TIDAK SEHAT 2017     9  14       5    2017-09
## 3150       SEDANG 2017     9  15       6    2017-09
## 3151       SEDANG 2017     9  16       7    2017-09
## 3152       SEDANG 2017     9  17       1    2017-09
## 3153       SEDANG 2017     9  18       2    2017-09
## 3154       SEDANG 2017     9  19       3    2017-09
## 3155       SEDANG 2017     9  20       4    2017-09
## 3156       SEDANG 2017     9  21       5    2017-09
## 3157       SEDANG 2017     9  22       6    2017-09
## 3158       SEDANG 2017     9  23       7    2017-09
## 3159       SEDANG 2017     9  24       1    2017-09
## 3160       SEDANG 2017     9  25       2    2017-09
## 3161       SEDANG 2017     9  26       3    2017-09
## 3162       SEDANG 2017     9  27       4    2017-09
## 3163       SEDANG 2017     9  28       5    2017-09
## 3165       SEDANG 2017     9  30       7    2017-09
## 3290       SEDANG 2017    10   2       2    2017-10
## 3291       SEDANG 2017    10   3       3    2017-10
## 3292       SEDANG 2017    10   4       4    2017-10
## 3293       SEDANG 2017    10   5       5    2017-10
## 3294       SEDANG 2017    10   6       6    2017-10
## 3295       SEDANG 2017    10   7       7    2017-10
## 3296       SEDANG 2017    10   8       1    2017-10
## 3297       SEDANG 2017    10   9       2    2017-10
## 3298       SEDANG 2017    10  10       3    2017-10
## 3299       SEDANG 2017    10  11       4    2017-10
## 3300       SEDANG 2017    10  12       5    2017-10
## 3301       SEDANG 2017    10  13       6    2017-10
## 3302       SEDANG 2017    10  14       7    2017-10
## 3303       SEDANG 2017    10  15       1    2017-10
## 3304       SEDANG 2017    10  16       2    2017-10
## 3305       SEDANG 2017    10  17       3    2017-10
## 3306       SEDANG 2017    10  18       4    2017-10
## 3307       SEDANG 2017    10  19       5    2017-10
## 3308       SEDANG 2017    10  20       6    2017-10
## 3309  TIDAK SEHAT 2017    10  21       7    2017-10
## 3310       SEDANG 2017    10  22       1    2017-10
## 3311       SEDANG 2017    10  23       2    2017-10
## 3312  TIDAK SEHAT 2017    10  24       3    2017-10
## 3313       SEDANG 2017    10  25       4    2017-10
## 3314       SEDANG 2017    10  26       5    2017-10
## 3315       SEDANG 2017    10  27       6    2017-10
## 3316       SEDANG 2017    10  28       7    2017-10
## 3317       SEDANG 2017    10  29       1    2017-10
## 3318       SEDANG 2017    10  30       2    2017-10
## 3319       SEDANG 2017    10  31       3    2017-10
## 3441       SEDANG 2017    11   1       4    2017-11
## 3442       SEDANG 2017    11   2       5    2017-11
## 3443       SEDANG 2017    11   3       6    2017-11
## 3444       SEDANG 2017    11   4       7    2017-11
## 3445       SEDANG 2017    11   5       1    2017-11
## 3448       SEDANG 2017    11   8       4    2017-11
## 3450  TIDAK SEHAT 2017    11  10       6    2017-11
## 3451  TIDAK SEHAT 2017    11  11       7    2017-11
## 3452       SEDANG 2017    11  12       1    2017-11
## 3453       SEDANG 2017    11  13       2    2017-11
## 3454       SEDANG 2017    11  14       3    2017-11
## 3455       SEDANG 2017    11  15       4    2017-11
## 3456       SEDANG 2017    11  16       5    2017-11
## 3457  TIDAK SEHAT 2017    11  17       6    2017-11
## 3458       SEDANG 2017    11  18       7    2017-11
## 3462  TIDAK SEHAT 2017    11  22       4    2017-11
## 3463       SEDANG 2017    11  23       5    2017-11
## 3464       SEDANG 2017    11  24       6    2017-11
## 3465       SEDANG 2017    11  25       7    2017-11
## 3595         BAIK 2017    12   2       7    2017-12
## 3598         BAIK 2017    12   5       3    2017-12
## 3599       SEDANG 2017    12   6       4    2017-12
## 3600       SEDANG 2017    12   7       5    2017-12
## 3605         BAIK 2017    12  12       3    2017-12
## 3607       SEDANG 2017    12  14       5    2017-12
## 3608         BAIK 2017    12  15       6    2017-12
## 3609       SEDANG 2017    12  16       7    2017-12
## 3613         BAIK 2017    12  20       4    2017-12
## 3614         BAIK 2017    12  21       5    2017-12
## 3622       SEDANG 2017    12  29       6    2017-12
## 3623       SEDANG 2017    12  30       7    2017-12
## 3624       SEDANG 2017    12  31       1    2017-12
## 3749       SEDANG 2018     1   1       2    2018-01
## 3750         BAIK 2018     1   2       3    2018-01
## 3751       SEDANG 2018     1   3       4    2018-01
## 3752       SEDANG 2018     1   4       5    2018-01
## 3753         BAIK 2018     1   5       6    2018-01
## 3754         BAIK 2018     1   6       7    2018-01
## 3755         BAIK 2018     1   7       1    2018-01
## 3756       SEDANG 2018     1   8       2    2018-01
## 3757         BAIK 2018     1   9       3    2018-01
## 3758       SEDANG 2018     1  10       4    2018-01
## 3759         BAIK 2018     1  11       5    2018-01
## 3760         BAIK 2018     1  12       6    2018-01
## 3762       SEDANG 2018     1  14       1    2018-01
## 3765       SEDANG 2018     1  17       4    2018-01
## 3767       SEDANG 2018     1  19       6    2018-01
## 3768       SEDANG 2018     1  20       7    2018-01
## 3769       SEDANG 2018     1  21       1    2018-01
## 3770       SEDANG 2018     1  22       2    2018-01
## 3771       SEDANG 2018     1  23       3    2018-01
## 3772       SEDANG 2018     1  24       4    2018-01
## 3773       SEDANG 2018     1  25       5    2018-01
## 3774       SEDANG 2018     1  26       6    2018-01
## 3775       SEDANG 2018     1  27       7    2018-01
## 3776       SEDANG 2018     1  28       1    2018-01
## 3777       SEDANG 2018     1  29       2    2018-01
## 3779       SEDANG 2018     1  31       4    2018-01
## 3895         BAIK 2018     2   1       5    2018-02
## 3896         BAIK 2018     2   2       6    2018-02
## 3897         BAIK 2018     2   3       7    2018-02
## 3898         BAIK 2018     2   4       1    2018-02
## 3899         BAIK 2018     2   5       2    2018-02
## 3900         BAIK 2018     2   6       3    2018-02
## 3901         BAIK 2018     2   7       4    2018-02
## 3902       SEDANG 2018     2   8       5    2018-02
## 3904         BAIK 2018     2  10       7    2018-02
## 3905         BAIK 2018     2  11       1    2018-02
## 3906         BAIK 2018     2  12       2    2018-02
## 3907       SEDANG 2018     2  13       3    2018-02
## 3909       SEDANG 2018     2  15       5    2018-02
## 3910         BAIK 2018     2  16       6    2018-02
## 3911       SEDANG 2018     2  17       7    2018-02
## 3912         BAIK 2018     2  18       1    2018-02
## 3913         BAIK 2018     2  19       2    2018-02
## 3914         BAIK 2018     2  20       3    2018-02
## 3915       SEDANG 2018     2  21       4    2018-02
## 3916       SEDANG 2018     2  22       5    2018-02
## 3917       SEDANG 2018     2  23       6    2018-02
## 3918         BAIK 2018     2  24       7    2018-02
## 3921       SEDANG 2018     2  27       3    2018-02
## 3922       SEDANG 2018     2  28       4    2018-02
## 4044       SEDANG 2018     3   1       5    2018-03
## 4045       SEDANG 2018     3   2       6    2018-03
## 4046       SEDANG 2018     3   3       7    2018-03
## 4047       SEDANG 2018     3   4       1    2018-03
## 4048       SEDANG 2018     3   5       2    2018-03
## 4049       SEDANG 2018     3   6       3    2018-03
## 4050       SEDANG 2018     3   7       4    2018-03
## 4051         BAIK 2018     3   8       5    2018-03
## 4052       SEDANG 2018     3   9       6    2018-03
## 4053       SEDANG 2018     3  10       7    2018-03
## 4054         BAIK 2018     3  11       1    2018-03
## 4055         BAIK 2018     3  12       2    2018-03
## 4056         BAIK 2018     3  13       3    2018-03
## 4057       SEDANG 2018     3  14       4    2018-03
## 4058       SEDANG 2018     3  15       5    2018-03
## 4059       SEDANG 2018     3  16       6    2018-03
## 4060       SEDANG 2018     3  17       7    2018-03
## 4061       SEDANG 2018     3  18       1    2018-03
## 4062       SEDANG 2018     3  19       2    2018-03
## 4063       SEDANG 2018     3  20       3    2018-03
## 4064       SEDANG 2018     3  21       4    2018-03
## 4065         BAIK 2018     3  22       5    2018-03
## 4066       SEDANG 2018     3  23       6    2018-03
## 4067       SEDANG 2018     3  24       7    2018-03
## 4068         BAIK 2018     3  25       1    2018-03
## 4069       SEDANG 2018     3  26       2    2018-03
## 4070         BAIK 2018     3  27       3    2018-03
## 4071       SEDANG 2018     3  28       4    2018-03
## 4072  TIDAK SEHAT 2018     3  29       5    2018-03
## 4073       SEDANG 2018     3  30       6    2018-03
## 4074         BAIK 2018     3  31       7    2018-03
## 4196         BAIK 2018     4   1       1    2018-04
## 4197         BAIK 2018     4   2       2    2018-04
## 4198         BAIK 2018     4   3       3    2018-04
## 4199         BAIK 2018     4   4       4    2018-04
## 4200       SEDANG 2018     4   5       5    2018-04
## 4201       SEDANG 2018     4   6       6    2018-04
## 4202       SEDANG 2018     4   7       7    2018-04
## 4203         BAIK 2018     4   8       1    2018-04
## 4204       SEDANG 2018     4   9       2    2018-04
## 4205         BAIK 2018     4  10       3    2018-04
## 4206       SEDANG 2018     4  11       4    2018-04
## 4207       SEDANG 2018     4  12       5    2018-04
## 4210       SEDANG 2018     4  15       1    2018-04
## 4211       SEDANG 2018     4  16       2    2018-04
## 4212       SEDANG 2018     3  17       7    2018-03
## 4213       SEDANG 2018     4  18       4    2018-04
## 4214       SEDANG 2018     4  19       5    2018-04
## 4215       SEDANG 2018     4  20       6    2018-04
## 4216       SEDANG 2018     4  21       7    2018-04
## 4217       SEDANG 2018     4  22       1    2018-04
## 4218       SEDANG 2018     3  23       6    2018-03
## 4219       SEDANG 2018     4  24       3    2018-04
## 4220       SEDANG 2018     4  25       4    2018-04
## 4221       SEDANG 2018     4  26       5    2018-04
## 4223       SEDANG 2018     4  28       7    2018-04
## 4224       SEDANG 2018     4  29       1    2018-04
## 4225       SEDANG 2018     4  30       2    2018-04
## 4349       SEDANG 2018     5   1       3    2018-05
## 4350       SEDANG 2018     5   2       4    2018-05
## 4351  TIDAK SEHAT 2018     5   3       5    2018-05
## 4352       SEDANG 2018     5   4       6    2018-05
## 4353       SEDANG 2018     5   5       7    2018-05
## 4354       SEDANG 2018     5   6       1    2018-05
## 4355       SEDANG 2018     5   7       2    2018-05
## 4356       SEDANG 2018     5   8       3    2018-05
## 4357       SEDANG 2018     5   9       4    2018-05
## 4358       SEDANG 2018     5  10       5    2018-05
## 4359       SEDANG 2018     5  11       6    2018-05
## 4360  TIDAK SEHAT 2018     5  12       7    2018-05
## 4361       SEDANG 2018     5  13       1    2018-05
## 4362       SEDANG 2018     5  14       2    2018-05
## 4363       SEDANG 2018     5  15       3    2018-05
## 4364       SEDANG 2018     5  16       4    2018-05
## 4365       SEDANG 2018     5  17       5    2018-05
## 4366       SEDANG 2018     5  18       6    2018-05
## 4367       SEDANG 2018     5  19       7    2018-05
## 4368       SEDANG 2018     5  20       1    2018-05
## 4369       SEDANG 2018     5  21       2    2018-05
## 4370       SEDANG 2018     5  22       3    2018-05
## 4371       SEDANG 2018     5  23       4    2018-05
## 4372       SEDANG 2018     5  24       5    2018-05
## 4373       SEDANG 2018     5  25       6    2018-05
## 4374       SEDANG 2018     5  26       7    2018-05
## 4375       SEDANG 2018     5  27       1    2018-05
## 4376       SEDANG 2018     5  28       2    2018-05
## 4377       SEDANG 2018     5  29       3    2018-05
## 4378       SEDANG 2018     5  30       4    2018-05
## 4379  TIDAK SEHAT 2018     5  31       5    2018-05
## 4501       SEDANG 2018     6   1       6    2018-06
## 4502       SEDANG 2018     6   2       7    2018-06
## 4503       SEDANG 2018     6   3       1    2018-06
## 4504       SEDANG 2018     6   4       2    2018-06
## 4505       SEDANG 2018     6   5       3    2018-06
## 4506       SEDANG 2018     6   6       4    2018-06
## 4507       SEDANG 2018     6   7       5    2018-06
## 4508       SEDANG 2018     6   8       6    2018-06
## 4509       SEDANG 2018     6   9       7    2018-06
## 4510  TIDAK SEHAT 2018     6  10       1    2018-06
## 4511       SEDANG 2018     6  11       2    2018-06
## 4512       SEDANG 2018     6  12       3    2018-06
## 4513       SEDANG 2018     6  13       4    2018-06
## 4514       SEDANG 2018     6  14       5    2018-06
## 4515       SEDANG 2018     6  15       6    2018-06
## 4516       SEDANG 2018     6  16       7    2018-06
## 4517         BAIK 2018     6  17       1    2018-06
## 4518       SEDANG 2018     6  18       2    2018-06
## 4519       SEDANG 2018     6  19       3    2018-06
## 4520       SEDANG 2018     6  20       4    2018-06
## 4521       SEDANG 2018     6  21       5    2018-06
## 4522       SEDANG 2018     6  22       6    2018-06
## 4523       SEDANG 2018     6  23       7    2018-06
## 4524       SEDANG 2018     6  24       1    2018-06
## 4525       SEDANG 2018     6  25       2    2018-06
## 4526       SEDANG 2018     6  26       3    2018-06
## 4527       SEDANG 2018     6  27       4    2018-06
## 4528       SEDANG 2018     6  28       5    2018-06
## 4529       SEDANG 2018     6  29       6    2018-06
## 4530       SEDANG 2018     6  30       7    2018-06
## 4654       SEDANG 2018     7   1       1    2018-07
## 4655       SEDANG 2018     7   2       2    2018-07
## 4656       SEDANG 2018     7   3       3    2018-07
## 4657  TIDAK SEHAT 2018     7   4       4    2018-07
## 4658       SEDANG 2018     7   5       5    2018-07
## 4659       SEDANG 2018     7   6       6    2018-07
## 4660       SEDANG 2018     7   7       7    2018-07
## 4661       SEDANG 2018     7   8       1    2018-07
## 4662       SEDANG 2018     7   9       2    2018-07
## 4663       SEDANG 2018     7  10       3    2018-07
## 4664       SEDANG 2018     7  11       4    2018-07
## 4665       SEDANG 2018     7  12       5    2018-07
## 4667       SEDANG 2018     7  14       7    2018-07
## 4668       SEDANG 2018     7  15       1    2018-07
## 4669       SEDANG 2018     7  16       2    2018-07
## 4670       SEDANG 2018     7  17       3    2018-07
## 4671       SEDANG 2018     7  18       4    2018-07
## 4672       SEDANG 2018     7  19       5    2018-07
## 4673       SEDANG 2018     7  20       6    2018-07
## 4674       SEDANG 2018     7  21       7    2018-07
## 4675       SEDANG 2018     7  22       1    2018-07
## 4677       SEDANG 2018     7  24       3    2018-07
## 4678       SEDANG 2018     7  25       4    2018-07
## 4679       SEDANG 2018     7  26       5    2018-07
## 4680       SEDANG 2018     7  27       6    2018-07
## 4681  TIDAK SEHAT 2018     7  28       7    2018-07
## 4682       SEDANG 2018     7  29       1    2018-07
## 4683       SEDANG 2018     7  30       2    2018-07
## 4684       SEDANG 2018     7  31       3    2018-07
## 4809       SEDANG 2018     8   1       4    2018-08
## 4810  TIDAK SEHAT 2018     8   2       5    2018-08
## 4811       SEDANG 2018     8   3       6    2018-08
## 4812       SEDANG 2018     8   4       7    2018-08
## 4813       SEDANG 2018     8   5       1    2018-08
## 4814       SEDANG 2018     8   6       2    2018-08
## 4815       SEDANG 2018     8   7       3    2018-08
## 4818       SEDANG 2018     8  10       6    2018-08
## 4820       SEDANG 2018     8  12       1    2018-08
## 4821       SEDANG 2018     8  13       2    2018-08
## 4822       SEDANG 2018     8  14       3    2018-08
## 4823       SEDANG 2018     8  15       4    2018-08
## 4824       SEDANG 2018     8  16       5    2018-08
## 4825       SEDANG 2018     8  17       6    2018-08
## 4826       SEDANG 2018     8  18       7    2018-08
## 4827       SEDANG 2018     8  19       1    2018-08
## 4828       SEDANG 2018     8  20       2    2018-08
## 4829       SEDANG 2018     8  21       3    2018-08
## 4830       SEDANG 2018     8  22       4    2018-08
## 4831       SEDANG 2018     8  23       5    2018-08
## 4832       SEDANG 2018     8  24       6    2018-08
## 4833       SEDANG 2018     8  25       7    2018-08
## 4834       SEDANG 2018     8  26       1    2018-08
## 4835       SEDANG 2018     8  27       2    2018-08
## 4836       SEDANG 2018     8  28       3    2018-08
## 4837       SEDANG 2018     8  29       4    2018-08
## 4838       SEDANG 2018     8  30       5    2018-08
## 4839       SEDANG 2018     8  31       6    2018-08
## 4961       SEDANG 2018     9   1       7    2018-09
## 4962       SEDANG 2018     9   2       1    2018-09
## 4964       SEDANG 2018     9   4       3    2018-09
## 4965       SEDANG 2018     9   5       4    2018-09
## 4968       SEDANG 2018     9   8       7    2018-09
## 4969       SEDANG 2018     9   9       1    2018-09
## 4970       SEDANG 2018     9  10       2    2018-09
## 4971       SEDANG 2018     9  11       3    2018-09
## 4972       SEDANG 2018     9  12       4    2018-09
## 4973       SEDANG 2018     9  13       5    2018-09
## 4974       SEDANG 2018     9  14       6    2018-09
## 4975  TIDAK SEHAT 2018     9  15       7    2018-09
## 4976       SEDANG 2018     9  16       1    2018-09
## 4977       SEDANG 2018     9  17       2    2018-09
## 4978       SEDANG 2018     9  18       3    2018-09
## 4979       SEDANG 2018     9  19       4    2018-09
## 4980       SEDANG 2018     9  20       5    2018-09
## 4981       SEDANG 2018     9  21       6    2018-09
## 4982       SEDANG 2018     9  22       7    2018-09
## 4983       SEDANG 2018     9  23       1    2018-09
## 4984       SEDANG 2018     9  24       2    2018-09
## 4985       SEDANG 2018     9  25       3    2018-09
## 4986       SEDANG 2018     9  26       4    2018-09
## 4987       SEDANG 2018     9  27       5    2018-09
## 4988       SEDANG 2018     9  28       6    2018-09
## 4989       SEDANG 2018     9  29       7    2018-09
## 4990       SEDANG 2018     9  30       1    2018-09
## 5114       SEDANG 2018    10   1       2    2018-10
## 5115       SEDANG 2018    10   2       3    2018-10
## 5116       SEDANG 2018    10   3       4    2018-10
## 5117       SEDANG 2018    10   4       5    2018-10
## 5118       SEDANG 2018    10   5       6    2018-10
## 5119       SEDANG 2018    10   6       7    2018-10
## 5120       SEDANG 2018    10   7       1    2018-10
## 5121       SEDANG 2018    10   8       2    2018-10
## 5122       SEDANG 2018    10   9       3    2018-10
## 5123       SEDANG 2018    10  10       4    2018-10
## 5124       SEDANG 2018    10  11       5    2018-10
## 5125       SEDANG 2018    10  12       6    2018-10
## 5126       SEDANG 2018    10  13       7    2018-10
## 5127       SEDANG 2018    10  14       1    2018-10
## 5128       SEDANG 2018    10  15       2    2018-10
## 5129       SEDANG 2018    10  16       3    2018-10
## 5130       SEDANG 2018    10  17       4    2018-10
## 5131       SEDANG 2018    10  18       5    2018-10
## 5132       SEDANG 2018    10  19       6    2018-10
## 5133       SEDANG 2018    10  20       7    2018-10
## 5134       SEDANG 2018    10  21       1    2018-10
## 5135       SEDANG 2018    10  22       2    2018-10
## 5136       SEDANG 2018    10  23       3    2018-10
## 5137       SEDANG 2018    10  24       4    2018-10
## 5138       SEDANG 2018    10  25       5    2018-10
## 5140       SEDANG 2018    10  27       7    2018-10
## 5141       SEDANG 2018    10  28       1    2018-10
## 5143       SEDANG 2018    10  30       3    2018-10
## 5144       SEDANG 2018    10  31       4    2018-10
## 5266       SEDANG 2018    11   1       5    2018-11
## 5267         BAIK 2018    11   2       6    2018-11
## 5268       SEDANG 2018    11   3       7    2018-11
## 5269       SEDANG 2018    11   4       1    2018-11
## 5270       SEDANG 2018    11   5       2    2018-11
## 5271       SEDANG 2018    11   6       3    2018-11
## 5272       SEDANG 2018    11   7       4    2018-11
## 5273       SEDANG 2018    11   8       5    2018-11
## 5274       SEDANG 2018    11   9       6    2018-11
## 5275       SEDANG 2018    11  10       7    2018-11
## 5276       SEDANG 2018    11  11       1    2018-11
## 5277       SEDANG 2018    11  12       2    2018-11
## 5278       SEDANG 2018    11  13       3    2018-11
## 5279         BAIK 2018    11  14       4    2018-11
## 5280         BAIK 2018    11  15       5    2018-11
## 5281  TIDAK SEHAT 2018    11  16       6    2018-11
## 5282       SEDANG 2018    11  17       7    2018-11
## 5283       SEDANG 2018    11  18       1    2018-11
## 5284       SEDANG 2018    11  19       2    2018-11
## 5285       SEDANG 2018    11  20       3    2018-11
## 5286       SEDANG 2018    11  21       4    2018-11
## 5287       SEDANG 2018    11  22       5    2018-11
## 5288       SEDANG 2018    11  23       6    2018-11
## 5289       SEDANG 2018    11  24       7    2018-11
## 5290       SEDANG 2018    11  25       1    2018-11
## 5291       SEDANG 2018    11  26       2    2018-11
## 5292       SEDANG 2018    11  27       3    2018-11
## 5293       SEDANG 2018    11  28       4    2018-11
## 5294       SEDANG 2018    11  29       5    2018-11
## 5295       SEDANG 2018    11  30       6    2018-11
## 5419       SEDANG 2018    12   1       7    2018-12
## 5420       SEDANG 2018    12   2       1    2018-12
## 5421       SEDANG 2018    12   3       2    2018-12
## 5422       SEDANG 2018    12   4       3    2018-12
## 5423       SEDANG 2018    12   5       4    2018-12
## 5424         BAIK 2018    12   6       5    2018-12
## 5425       SEDANG 2018    12   7       6    2018-12
## 5426       SEDANG 2018    12   8       7    2018-12
## 5427       SEDANG 2018    12   9       1    2018-12
## 5428       SEDANG 2018    12  10       2    2018-12
## 5429  TIDAK SEHAT 2018    12  11       3    2018-12
## 5430       SEDANG 2018    12  12       4    2018-12
## 5431       SEDANG 2018    12  13       5    2018-12
## 5432       SEDANG 2018    12  14       6    2018-12
## 5434         BAIK 2018    12  16       1    2018-12
## 5436       SEDANG 2018    12  18       3    2018-12
## 5437  TIDAK SEHAT 2018    12  19       4    2018-12
## 5438       SEDANG 2018    12  20       5    2018-12
## 5439         BAIK 2018    12  21       6    2018-12
## 5440         BAIK 2018    12  22       7    2018-12
## 5441         BAIK 2018    12  23       1    2018-12
## 5442         BAIK 2018    12  24       2    2018-12
## 5443         BAIK 2018    12  25       3    2018-12
## 5444         BAIK 2018    12  26       4    2018-12
## 5445         BAIK 2018    12  27       5    2018-12
## 5446         BAIK 2018    12  28       6    2018-12
## 5447         BAIK 2018    12  29       7    2018-12
## 5448         BAIK 2018    12  30       1    2018-12
## 5449         BAIK 2018    12  31       2    2018-12
## 5574         BAIK 2019     1   1       3    2019-01
## 5575         BAIK 2019     1   2       4    2019-01
## 5576         BAIK 2019     1   3       5    2019-01
## 5577         BAIK 2019     1   4       6    2019-01
## 5578       SEDANG 2019     1   5       7    2019-01
## 5579       SEDANG 2019     1   6       1    2019-01
## 5580       SEDANG 2019     1   7       2    2019-01
## 5581       SEDANG 2019     1   8       3    2019-01
## 5585       SEDANG 2019     1  12       7    2019-01
## 5586       SEDANG 2019     1  13       1    2019-01
## 5587       SEDANG 2019     1  14       2    2019-01
## 5588         BAIK 2019     1  15       3    2019-01
## 5589         BAIK 2019     1  16       4    2019-01
## 5590         BAIK 2019     1  17       5    2019-01
## 5591         BAIK 2019     1  18       6    2019-01
## 5592         BAIK 2019     1  19       7    2019-01
## 5593       SEDANG 2019     1  20       1    2019-01
## 5594         BAIK 2019     1  21       2    2019-01
## 5595         BAIK 2019     1  22       3    2019-01
## 5596         BAIK 2019     1  23       4    2019-01
## 5597         BAIK 2019     1  24       5    2019-01
## 5598         BAIK 2019     1  25       6    2019-01
## 5599         BAIK 2019     1  26       7    2019-01
## 5600         BAIK 2019     1  27       1    2019-01
## 5601         BAIK 2019     1  28       2    2019-01
## 5602         BAIK 2019     1  29       3    2019-01
## 5603         BAIK 2019     1  30       4    2019-01
## 5604         BAIK 2019     1  31       5    2019-01
## 5720         BAIK 2019     2   1       6    2019-02
## 5721       SEDANG 2019     2   2       7    2019-02
## 5722       SEDANG 2019     2   3       1    2019-02
## 5723         BAIK 2019     2   4       2    2019-02
## 5724         BAIK 2019     2   5       3    2019-02
## 5725         BAIK 2019     2   6       4    2019-02
## 5726       SEDANG 2019     2   7       5    2019-02
## 5727       SEDANG 2019     2   8       6    2019-02
## 5728       SEDANG 2019     2   9       7    2019-02
## 5731       SEDANG 2019     2  12       3    2019-02
## 5732       SEDANG 2019     2  13       4    2019-02
## 5733       SEDANG 2019     2  14       5    2019-02
## 5734       SEDANG 2019     2  15       6    2019-02
## 5735       SEDANG 2019     2  16       7    2019-02
## 5736       SEDANG 2019     2  17       1    2019-02
## 5737       SEDANG 2019     2  18       2    2019-02
## 5738       SEDANG 2019     2  19       3    2019-02
## 5739       SEDANG 2019     2  20       4    2019-02
## 5740       SEDANG 2019     2  21       5    2019-02
## 5741       SEDANG 2019     2  22       6    2019-02
## 5742       SEDANG 2019     2  23       7    2019-02
## 5743       SEDANG 2019     2  24       1    2019-02
## 5744       SEDANG 2019     2  25       2    2019-02
## 5745       SEDANG 2019     2  26       3    2019-02
## 5746       SEDANG 2019     2  27       4    2019-02
## 5747         BAIK 2019     2  28       5    2019-02
## 5870         BAIK 2019     3   2       7    2019-03
## 5871       SEDANG 2019     3   3       1    2019-03
## 5872       SEDANG 2019     3   4       2    2019-03
## 5873       SEDANG 2019     3   5       3    2019-03
## 5874         BAIK 2019     3   6       4    2019-03
## 5875       SEDANG 2019     3   7       5    2019-03
## 5876       SEDANG 2019     3   8       6    2019-03
## 5877       SEDANG 2019     3   9       7    2019-03
## 5878         BAIK 2019     3  10       1    2019-03
## 5879       SEDANG 2019     3  11       2    2019-03
## 5880         BAIK 2019     3  12       3    2019-03
## 5881       SEDANG 2019     3  13       4    2019-03
## 5882       SEDANG 2019     3  14       5    2019-03
## 5883       SEDANG 2019     3  15       6    2019-03
## 5884       SEDANG 2019     3  16       7    2019-03
## 5885         BAIK 2019     3  17       1    2019-03
## 5886         BAIK 2019     3  18       2    2019-03
## 5888         BAIK 2019     3  20       4    2019-03
## 5889         BAIK 2019     3  21       5    2019-03
## 5890         BAIK 2019     3  22       6    2019-03
## 5891         BAIK 2019     3  23       7    2019-03
## 5892         BAIK 2019     3  24       1    2019-03
## 5893         BAIK 2019     3  25       2    2019-03
## 5894       SEDANG 2019     3  26       3    2019-03
## 5895       SEDANG 2019     3  27       4    2019-03
## 5896       SEDANG 2019     3  28       5    2019-03
## 5897       SEDANG 2019     3  29       6    2019-03
## 5899       SEDANG 2019     3  31       1    2019-03
## 6021       SEDANG 2019     4   1       2    2019-04
## 6022       SEDANG 2019     4   2       3    2019-04
## 6023       SEDANG 2019     4   3       4    2019-04
## 6024       SEDANG 2019     4   4       5    2019-04
## 6025       SEDANG 2019     4   5       6    2019-04
## 6030  TIDAK SEHAT 2019     4  10       4    2019-04
## 6031  TIDAK SEHAT 2019     4  11       5    2019-04
## 6032         BAIK 2019     4  12       6    2019-04
## 6033       SEDANG 2019     4  13       7    2019-04
## 6034       SEDANG 2019     4  14       1    2019-04
## 6035       SEDANG 2019     4  15       2    2019-04
## 6036  TIDAK SEHAT 2019     4  16       3    2019-04
## 6037       SEDANG 2019     4  17       4    2019-04
## 6038       SEDANG 2019     4  18       5    2019-04
## 6039       SEDANG 2019     4  19       6    2019-04
## 6041       SEDANG 2019     4  21       1    2019-04
## 6044         BAIK 2019     4  24       4    2019-04
## 6045       SEDANG 2019     4  25       5    2019-04
## 6046       SEDANG 2019     4  26       6    2019-04
## 6047         BAIK 2019     4  27       7    2019-04
## 6048       SEDANG 2019     4  28       1    2019-04
## 6176       SEDANG 2019     5   3       6    2019-05
## 6178       SEDANG 2019     5   5       1    2019-05
## 6181       SEDANG 2019     5   8       4    2019-05
## 6182       SEDANG 2019     5   9       5    2019-05
## 6183       SEDANG 2019     5  10       6    2019-05
## 6185       SEDANG 2019     5  12       1    2019-05
## 6186       SEDANG 2019     5  13       2    2019-05
## 6187       SEDANG 2019     5  14       3    2019-05
## 6188       SEDANG 2019     5  15       4    2019-05
## 6189       SEDANG 2019     5  16       5    2019-05
## 6190       SEDANG 2019     5  17       6    2019-05
## 6191       SEDANG 2019     5  18       7    2019-05
## 6192       SEDANG 2019     5  19       1    2019-05
## 6193       SEDANG 2019     5  20       2    2019-05
## 6194       SEDANG 2019     5  21       3    2019-05
## 6195       SEDANG 2019     5  22       4    2019-05
## 6196       SEDANG 2019     5  23       5    2019-05
## 6197       SEDANG 2019     5  24       6    2019-05
## 6198       SEDANG 2019     5  25       7    2019-05
## 6199       SEDANG 2019     5  26       1    2019-05
## 6200       SEDANG 2019     5  27       2    2019-05
## 6201       SEDANG 2019     5  28       3    2019-05
## 6202       SEDANG 2019     5  29       4    2019-05
## 6203       SEDANG 2019     5  30       5    2019-05
## 6204       SEDANG 2019     5  31       6    2019-05
## 6326       SEDANG 2019     6   1       7    2019-06
## 6327       SEDANG 2019     6   2       1    2019-06
## 6328       SEDANG 2019     6   3       2    2019-06
## 6329       SEDANG 2019     6   4       3    2019-06
## 6330       SEDANG 2019     6   5       4    2019-06
## 6331       SEDANG 2019     6   6       5    2019-06
## 6332       SEDANG 2019     6   7       6    2019-06
## 6333       SEDANG 2019     6   8       7    2019-06
## 6334       SEDANG 2019     6   9       1    2019-06
## 6335       SEDANG 2019     6  10       2    2019-06
## 6336  TIDAK SEHAT 2019     6  11       3    2019-06
## 6337       SEDANG 2019     6  12       4    2019-06
## 6338  TIDAK SEHAT 2019     6  13       5    2019-06
## 6339       SEDANG 2019     6  14       6    2019-06
## 6340       SEDANG 2019     6  15       7    2019-06
## 6341       SEDANG 2019     6  16       1    2019-06
## 6342       SEDANG 2019     6  17       2    2019-06
## 6343       SEDANG 2019     6  18       3    2019-06
## 6344       SEDANG 2019     6  19       4    2019-06
## 6345       SEDANG 2019     6  20       5    2019-06
## 6346       SEDANG 2019     6  21       6    2019-06
## 6347  TIDAK SEHAT 2019     6  22       7    2019-06
## 6348       SEDANG 2019     6  23       1    2019-06
## 6349       SEDANG 2019     6  24       2    2019-06
## 6350       SEDANG 2019     6  25       3    2019-06
## 6351       SEDANG 2019     6  26       4    2019-06
## 6352  TIDAK SEHAT 2019     6  27       5    2019-06
## 6353       SEDANG 2019     6  28       6    2019-06
## 6354       SEDANG 2019     6  29       7    2019-06
## 6355       SEDANG 2019     6  30       1    2019-06
## 6479       SEDANG 2019     7   1       2    2019-07
## 6480       SEDANG 2019     7   2       3    2019-07
## 6481       SEDANG 2019     7   3       4    2019-07
## 6482       SEDANG 2019     7   4       5    2019-07
## 6483       SEDANG 2019     7   5       6    2019-07
## 6484       SEDANG 2019     7   6       7    2019-07
## 6485       SEDANG 2019     7   7       1    2019-07
## 6486       SEDANG 2019     7   8       2    2019-07
## 6487       SEDANG 2019     7   9       3    2019-07
## 6488       SEDANG 2019     7  10       4    2019-07
## 6489       SEDANG 2019     7  11       5    2019-07
## 6490       SEDANG 2019     7  12       6    2019-07
## 6491  TIDAK SEHAT 2019     7  13       7    2019-07
## 6492  TIDAK SEHAT 2019     7  14       1    2019-07
## 6493       SEDANG 2019     7  15       2    2019-07
## 6494       SEDANG 2019     7  16       3    2019-07
## 6495       SEDANG 2019     7  17       4    2019-07
## 6496       SEDANG 2019     7  18       5    2019-07
## 6497       SEDANG 2019     7  19       6    2019-07
## 6498       SEDANG 2019     7  20       7    2019-07
## 6499       SEDANG 2019     7  21       1    2019-07
## 6500  TIDAK SEHAT 2019     7  22       2    2019-07
## 6501       SEDANG 2019     7  23       3    2019-07
## 6504       SEDANG 2019     7  26       6    2019-07
## 6505       SEDANG 2019     7  27       7    2019-07
## 6506  TIDAK SEHAT 2019     7  28       1    2019-07
## 6507       SEDANG 2019     7  29       2    2019-07
## 6508       SEDANG 2019     7  30       3    2019-07
## 6509       SEDANG 2019     7  31       4    2019-07
## 6634       SEDANG 2019     8   1       5    2019-08
## 6635       SEDANG 2019     8   2       6    2019-08
## 6636       SEDANG 2019     8   3       7    2019-08
## 6637       SEDANG 2019     8   4       1    2019-08
## 6639  TIDAK SEHAT 2019     8   6       3    2019-08
## 6640       SEDANG 2019     8   7       4    2019-08
## 6642       SEDANG 2019     8   9       6    2019-08
## 6643       SEDANG 2019     8  10       7    2019-08
## 6644       SEDANG 2019     8  11       1    2019-08
## 6645       SEDANG 2019     8  12       2    2019-08
## 6646       SEDANG 2019     8  13       3    2019-08
## 6647       SEDANG 2019     8  14       4    2019-08
## 6648  TIDAK SEHAT 2019     8  15       5    2019-08
## 6649       SEDANG 2019     8  16       6    2019-08
## 6650       SEDANG 2019     8  17       7    2019-08
## 6651       SEDANG 2019     8  18       1    2019-08
## 6653  TIDAK SEHAT 2019     8  20       3    2019-08
## 6654       SEDANG 2019     8  21       4    2019-08
## 6656       SEDANG 2019     8  23       6    2019-08
## 6657  TIDAK SEHAT 2019     8  24       7    2019-08
## 6658  TIDAK SEHAT 2019     8  25       1    2019-08
## 6659  TIDAK SEHAT 2019     8  26       2    2019-08
## 6660       SEDANG 2019     8  27       3    2019-08
## 6661       SEDANG 2019     8  28       4    2019-08
## 6662       SEDANG 2019     8  29       5    2019-08
## 6663       SEDANG 2019     8  30       6    2019-08
## 6664       SEDANG 2019     8  31       7    2019-08
## 6788       SEDANG 2019     9   3       3    2019-09
## 6789  TIDAK SEHAT 2019     9   4       4    2019-09
## 6790  TIDAK SEHAT 2019     9   5       5    2019-09
## 6791       SEDANG 2019     9   6       6    2019-09
## 6792       SEDANG 2019     9   7       7    2019-09
## 6793       SEDANG 2019     9   8       1    2019-09
## 6794       SEDANG 2019     9   9       2    2019-09
## 6795       SEDANG 2019     9  10       3    2019-09
## 6796       SEDANG 2019     9  11       4    2019-09
## 6797  TIDAK SEHAT 2019     9  12       5    2019-09
## 6798       SEDANG 2019     9  13       6    2019-09
## 6799  TIDAK SEHAT 2019     9  14       7    2019-09
## 6800       SEDANG 2019     9  15       1    2019-09
## 6801       SEDANG 2019     9  16       2    2019-09
## 6802       SEDANG 2019     9  17       3    2019-09
## 6803  TIDAK SEHAT 2019     9  18       4    2019-09
## 6804       SEDANG 2019     9  19       5    2019-09
## 6805       SEDANG 2019     9  20       6    2019-09
## 6806  TIDAK SEHAT 2019     9  21       7    2019-09
## 6807  TIDAK SEHAT 2019     9  22       1    2019-09
## 6808       SEDANG 2019     9  23       2    2019-09
## 6809       SEDANG 2019     9  24       3    2019-09
## 6811       SEDANG 2019     9  26       5    2019-09
## 6812       SEDANG 2019     9  27       6    2019-09
## 6813       SEDANG 2019     9  28       7    2019-09
## 6814       SEDANG 2019     9  29       1    2019-09
## 6815       SEDANG 2019     9  30       2    2019-09
## 6939  TIDAK SEHAT 2019    10   1       3    2019-10
## 6940  TIDAK SEHAT 2019    10   2       4    2019-10
## 6941       SEDANG 2019    10   3       5    2019-10
## 6942       SEDANG 2019    10   4       6    2019-10
## 6943       SEDANG 2019    10   5       7    2019-10
## 6945       SEDANG 2019    10   7       2    2019-10
## 6946       SEDANG 2019    10   8       3    2019-10
## 6948       SEDANG 2019    10  10       5    2019-10
## 6949       SEDANG 2019    10  11       6    2019-10
## 6952       SEDANG 2019    10  14       2    2019-10
## 6954  TIDAK SEHAT 2019    10  16       4    2019-10
## 6955  TIDAK SEHAT 2019    10  17       5    2019-10
## 6956       SEDANG 2019    10  18       6    2019-10
## 6957       SEDANG 2019    10  19       7    2019-10
## 6958       SEDANG 2019    10  20       1    2019-10
## 6959       SEDANG 2019    10  21       2    2019-10
## 6960       SEDANG 2019    10  22       3    2019-10
## 6961       SEDANG 2019    10  23       4    2019-10
## 6962  TIDAK SEHAT 2019    10  24       5    2019-10
## 6963  TIDAK SEHAT 2019    10  25       6    2019-10
## 6964  TIDAK SEHAT 2019    10  26       7    2019-10
## 6965       SEDANG 2019    10  27       1    2019-10
## 6967       SEDANG 2019    10  29       3    2019-10
## 6968       SEDANG 2019    10  30       4    2019-10
## 6969       SEDANG 2019    10  31       5    2019-10
## 7091       SEDANG 2019    11   1       6    2019-11
## 7092       SEDANG 2019    11   2       7    2019-11
## 7093       SEDANG 2019    11   3       1    2019-11
## 7094       SEDANG 2019    11   4       2    2019-11
## 7095  TIDAK SEHAT 2019    11   5       3    2019-11
## 7096  TIDAK SEHAT 2019    11   6       4    2019-11
## 7097  TIDAK SEHAT 2019    11   7       5    2019-11
## 7098  TIDAK SEHAT 2019    11   8       6    2019-11
## 7099  TIDAK SEHAT 2019    11   9       7    2019-11
## 7100  TIDAK SEHAT 2019    11  10       1    2019-11
## 7101  TIDAK SEHAT 2019    11  11       2    2019-11
## 7103       SEDANG 2019    11  13       4    2019-11
## 7104       SEDANG 2019    11  14       5    2019-11
## 7105       SEDANG 2019    11  15       6    2019-11
## 7106       SEDANG 2019    11  16       7    2019-11
## 7107       SEDANG 2019    11  17       1    2019-11
## 7108       SEDANG 2019    11  18       2    2019-11
## 7109       SEDANG 2019    11  19       3    2019-11
## 7111       SEDANG 2019    11  21       5    2019-11
## 7112       SEDANG 2019    11  22       6    2019-11
## 7113       SEDANG 2019    11  23       7    2019-11
## 7114       SEDANG 2019    11  24       1    2019-11
## 7115       SEDANG 2019    11  25       2    2019-11
## 7116       SEDANG 2019    11  26       3    2019-11
## 7117       SEDANG 2019    11  27       4    2019-11
## 7118       SEDANG 2019    11  28       5    2019-11
## 7119  TIDAK SEHAT 2019    11  29       6    2019-11
## 7247  TIDAK SEHAT 2019    12   4       4    2019-12
## 7248  TIDAK SEHAT 2019    12   5       5    2019-12
## 7249  TIDAK SEHAT 2019    12   6       6    2019-12
## 7250       SEDANG 2019    12   7       7    2019-12
## 7252  TIDAK SEHAT 2019    12   9       2    2019-12
## 7258       SEDANG 2019    12  15       1    2019-12
## 7262       SEDANG 2019    12  19       5    2019-12
## 7263       SEDANG 2019    12  20       6    2019-12
## 7264  TIDAK SEHAT 2019    12  21       7    2019-12
## 7265       SEDANG 2019    12  22       1    2019-12
## 7267       SEDANG 2019    12  24       3    2019-12
## 7268       SEDANG 2019    12  25       4    2019-12
## 7270       SEDANG 2019    12  27       6    2019-12
## 7271       SEDANG 2019    12  28       7    2019-12
## 7272       SEDANG 2019    12  29       1    2019-12
## 7273       SEDANG 2019    12  30       2    2019-12
## 7274       SEDANG 2019    12  31       3    2019-12
## 7400         BAIK 2020     1   2       5    2020-01
## 7401       SEDANG 2020     1   3       6    2020-01
## 7402       SEDANG 2020     1   4       7    2020-01
## 7403         BAIK 2020     1   5       1    2020-01
## 7404       SEDANG 2020     1   6       2    2020-01
## 7405         BAIK 2020     1   7       3    2020-01
## 7406       SEDANG 2020     1   8       4    2020-01
## 7407       SEDANG 2020     1   9       5    2020-01
## 7408         BAIK 2020     1  10       6    2020-01
## 7409         BAIK 2020     1  11       7    2020-01
## 7410         BAIK 2020     1  12       1    2020-01
## 7411       SEDANG 2020     1  13       2    2020-01
## 7412         BAIK 2020     1  14       3    2020-01
## 7413       SEDANG 2020     1  15       4    2020-01
## 7414       SEDANG 2020     1  16       5    2020-01
## 7415  TIDAK SEHAT 2020     1  17       6    2020-01
## 7416       SEDANG 2020     1  18       7    2020-01
## 7417       SEDANG 2020     1  19       1    2020-01
## 7418       SEDANG 2020     1  20       2    2020-01
## 7419       SEDANG 2020     1  21       3    2020-01
## 7420       SEDANG 2020     1  22       4    2020-01
## 7421       SEDANG 2020     1  23       5    2020-01
## 7422       SEDANG 2020     1  24       6    2020-01
## 7423         BAIK 2020     1  25       7    2020-01
## 7424       SEDANG 2020     1  26       1    2020-01
## 7425       SEDANG 2020     1  27       2    2020-01
## 7427       SEDANG 2020     1  29       4    2020-01
## 7428       SEDANG 2020     1  30       5    2020-01
## 7429       SEDANG 2020     1  31       6    2020-01
## 7548       SEDANG 2020     2   1       7    2020-02
## 7549       SEDANG 2020     2   2       1    2020-02
## 7550       SEDANG 2020     2   3       2    2020-02
## 7551         BAIK 2020     2   4       3    2020-02
## 7552       SEDANG 2020     2   5       4    2020-02
## 7553       SEDANG 2020     2   6       5    2020-02
## 7555       SEDANG 2020     2   8       7    2020-02
## 7556         BAIK 2020     2   9       1    2020-02
## 7557       SEDANG 2020     2  10       2    2020-02
## 7558       SEDANG 2020     2  11       3    2020-02
## 7562  TIDAK SEHAT 2020     2  15       7    2020-02
## 7563  TIDAK SEHAT 2020     2  16       1    2020-02
## 7564  TIDAK SEHAT 2020     2  17       2    2020-02
## 7565       SEDANG 2020     2  18       3    2020-02
## 7566       SEDANG 2020     2  19       4    2020-02
## 7567       SEDANG 2020     2  20       5    2020-02
## 7568       SEDANG 2020     2  21       6    2020-02
## 7569       SEDANG 2020     2  22       7    2020-02
## 7572       SEDANG 2020     2  25       3    2020-02
## 7573       SEDANG 2020     2  26       4    2020-02
## 7574       SEDANG 2020     2  27       5    2020-02
## 7575  TIDAK SEHAT 2020     2  28       6    2020-02
## 7576       SEDANG 2020     2  29       7    2020-02
## 7699       SEDANG 2020     3   1       1    2020-03
## 7700  TIDAK SEHAT 2020     3   2       2    2020-03
## 7701  TIDAK SEHAT 2020     3   3       3    2020-03
## 7702  TIDAK SEHAT 2020     3   4       4    2020-03
## 7703       SEDANG 2020     3   5       5    2020-03
## 7704       SEDANG 2020     3   6       6    2020-03
## 7706       SEDANG 2020     3   8       1    2020-03
## 7708       SEDANG 2020     3  10       3    2020-03
## 7712  TIDAK SEHAT 2020     3  14       7    2020-03
## 7713  TIDAK SEHAT 2020     3  15       1    2020-03
## 7714  TIDAK SEHAT 2020     3  16       2    2020-03
## 7715  TIDAK SEHAT 2020     3  17       3    2020-03
## 7716  TIDAK SEHAT 2020     3  18       4    2020-03
## 7717       SEDANG 2020     3  19       5    2020-03
## 7719       SEDANG 2020     3  21       7    2020-03
## 7722       SEDANG 2020     3  24       3    2020-03
## 7726  TIDAK SEHAT 2020     3  28       7    2020-03
## 7727       SEDANG 2020     3  29       1    2020-03
## 7728       SEDANG 2020     3  30       2    2020-03
## 7851       SEDANG 2020     4   1       4    2020-04
## 7852       SEDANG 2020     4   2       5    2020-04
## 7853       SEDANG 2020     4   3       6    2020-04
## 7854       SEDANG 2020     4   4       7    2020-04
## 7855       SEDANG 2020     4   5       1    2020-04
## 7856       SEDANG 2020     4   6       2    2020-04
## 7857         BAIK 2020     4   7       3    2020-04
## 7858       SEDANG 2020     4   8       4    2020-04
## 7859       SEDANG 2020     4   9       5    2020-04
## 7860  TIDAK SEHAT 2020     4  10       6    2020-04
## 7861  TIDAK SEHAT 2020     4  11       7    2020-04
## 7862       SEDANG 2020     4  12       1    2020-04
## 7863       SEDANG 2020     4  13       2    2020-04
## 7864       SEDANG 2020     4  14       3    2020-04
## 7865       SEDANG 2020     4  15       4    2020-04
## 7866       SEDANG 2020     4  16       5    2020-04
## 7867       SEDANG 2020     4  17       6    2020-04
## 7868       SEDANG 2020     4  18       7    2020-04
## 7869       SEDANG 2020     4  19       1    2020-04
## 7870       SEDANG 2020     4  20       2    2020-04
## 7871       SEDANG 2020     4  21       3    2020-04
## 7872  TIDAK SEHAT 2020     4  22       4    2020-04
## 7873       SEDANG 2020     4  23       5    2020-04
## 7875       SEDANG 2020     4  25       7    2020-04
## 7878       SEDANG 2020     4  28       3    2020-04
## 7880       SEDANG 2020     4  30       5    2020-04
## 8010       SEDANG 2020     5   7       5    2020-05
## 8011       SEDANG 2020     5   8       6    2020-05
## 8012       SEDANG 2020     5   9       7    2020-05
## 8013       SEDANG 2020     5  10       1    2020-05
## 8014       SEDANG 2020     5  11       2    2020-05
## 8015       SEDANG 2020     5  12       3    2020-05
## 8016       SEDANG 2020     5  13       4    2020-05
## 8017       SEDANG 2020     5  14       5    2020-05
## 8018       SEDANG 2020     5  15       6    2020-05
## 8019       SEDANG 2020     5  16       7    2020-05
## 8020       SEDANG 2020     5  17       1    2020-05
## 8021       SEDANG 2020     5  18       2    2020-05
## 8022       SEDANG 2020     5  19       3    2020-05
## 8023       SEDANG 2020     5  20       4    2020-05
## 8024       SEDANG 2020     5  21       5    2020-05
## 8025       SEDANG 2020     5  22       6    2020-05
## 8026         BAIK 2020     5  23       7    2020-05
## 8027       SEDANG 2020     5  24       1    2020-05
## 8028         BAIK 2020     5  25       2    2020-05
## 8029       SEDANG 2020     5  26       3    2020-05
## 8030       SEDANG 2020     5  27       4    2020-05
## 8031       SEDANG 2020     5  28       5    2020-05
## 8032       SEDANG 2020     5  29       6    2020-05
## 8033       SEDANG 2020     5  30       7    2020-05
## 8156       SEDANG 2020     6   6       7    2020-06
## 8157         BAIK 2020     6   6       7    2020-06
## 8158         BAIK 2020     6   6       7    2020-06
## 8159       SEDANG 2020     6   6       7    2020-06
## 8160       SEDANG 2020     6   6       7    2020-06
## 8161       SEDANG 2020     6   6       7    2020-06
## 8162       SEDANG 2020     6   6       7    2020-06
## 8163       SEDANG 2020     6   6       7    2020-06
## 8164       SEDANG 2020     6   6       7    2020-06
## 8166       SEDANG 2020     6   6       7    2020-06
## 8167       SEDANG 2020     6   6       7    2020-06
## 8168       SEDANG 2020     6   6       7    2020-06
## 8169       SEDANG 2020     6   6       7    2020-06
## 8170       SEDANG 2020     6   6       7    2020-06
## 8171       SEDANG 2020     6   6       7    2020-06
## 8172       SEDANG 2020     6   6       7    2020-06
## 8173       SEDANG 2020     6   6       7    2020-06
## 8174       SEDANG 2020     6   6       7    2020-06
## 8175       SEDANG 2020     6   6       7    2020-06
## 8176       SEDANG 2020     6   6       7    2020-06
## 8177       SEDANG 2020     6   6       7    2020-06
## 8178       SEDANG 2020     6   6       7    2020-06
## 8179       SEDANG 2020     6   6       7    2020-06
## 8180       SEDANG 2020     6   6       7    2020-06
## 8181       SEDANG 2020     6   6       7    2020-06
## 8182       SEDANG 2020     6   6       7    2020-06
## 8183       SEDANG 2020     6   6       7    2020-06
## 8184       SEDANG 2020     6   6       7    2020-06
## 8185       SEDANG 2020     6   6       7    2020-06
## 8309       SEDANG 2020     7   1       4    2020-07
## 8310       SEDANG 2020     7   2       5    2020-07
## 8311       SEDANG 2020     7   3       6    2020-07
## 8312       SEDANG 2020     7   4       7    2020-07
## 8313       SEDANG 2020     7   5       1    2020-07
## 8314       SEDANG 2020     7   6       2    2020-07
## 8315       SEDANG 2020     7   7       3    2020-07
## 8316       SEDANG 2020     7   8       4    2020-07
## 8317       SEDANG 2020     7   9       5    2020-07
## 8318  TIDAK SEHAT 2020     7  10       6    2020-07
## 8319       SEDANG 2020     7  11       7    2020-07
## 8320       SEDANG 2020     7  12       1    2020-07
## 8321       SEDANG 2020     7  13       2    2020-07
## 8323       SEDANG 2020     7  15       4    2020-07
## 8324       SEDANG 2020     7  16       5    2020-07
## 8325       SEDANG 2020     7  17       6    2020-07
## 8326       SEDANG 2020     7  18       7    2020-07
## 8327       SEDANG 2020     7  19       1    2020-07
## 8329       SEDANG 2020     7  21       3    2020-07
## 8330       SEDANG 2020     7  22       4    2020-07
## 8331       SEDANG 2020     7  23       5    2020-07
## 8332       SEDANG 2020     7  24       6    2020-07
## 8333       SEDANG 2020     7  25       7    2020-07
## 8334       SEDANG 2020     7  26       1    2020-07
## 8335       SEDANG 2020     7  27       2    2020-07
## 8338       SEDANG 2020     7  30       5    2020-07
## 8339       SEDANG 2020     7  31       6    2020-07
## 8465       SEDANG 2020     8   2       1    2020-08
## 8466       SEDANG 2020     8   3       2    2020-08
## 8467       SEDANG 2020     8   4       3    2020-08
## 8468       SEDANG 2020     8   5       4    2020-08
## 8469       SEDANG 2020     8   6       5    2020-08
## 8470       SEDANG 2020     8   7       6    2020-08
## 8471       SEDANG 2020     8   8       7    2020-08
## 8472       SEDANG 2020     8   9       1    2020-08
## 8473       SEDANG 2020     8  10       2    2020-08
## 8474       SEDANG 2020     8  11       3    2020-08
## 8475       SEDANG 2020     8  12       4    2020-08
## 8476       SEDANG 2020     8  13       5    2020-08
## 8481       SEDANG 2020     8  18       3    2020-08
## 8482       SEDANG 2020     8  19       4    2020-08
## 8483       SEDANG 2020     8  20       5    2020-08
## 8484       SEDANG 2020     8  21       6    2020-08
## 8485       SEDANG 2020     8  22       7    2020-08
## 8486       SEDANG 2020     8  23       1    2020-08
## 8487       SEDANG 2020     8  24       2    2020-08
## 8488       SEDANG 2020     8  25       3    2020-08
## 8489       SEDANG 2020     8  26       4    2020-08
## 8490       SEDANG 2020     8  27       5    2020-08
## 8491       SEDANG 2020     8  28       6    2020-08
## 8492       SEDANG 2020     8  29       7    2020-08
## 8493       SEDANG 2020     8  30       1    2020-08
## 8494       SEDANG 2020     8  31       2    2020-08
## 8616       SEDANG 2020     9   1       3    2020-09
## 8617       SEDANG 2020     9   2       4    2020-09
## 8618       SEDANG 2020     9   3       5    2020-09
## 8619       SEDANG 2020     9   4       6    2020-09
## 8620       SEDANG 2020     9   5       7    2020-09
## 8621       SEDANG 2020     9   6       1    2020-09
## 8623       SEDANG 2020     9   8       3    2020-09
## 8624       SEDANG 2020     9   9       4    2020-09
## 8625       SEDANG 2020     9  10       5    2020-09
## 8626       SEDANG 2020     9  11       6    2020-09
## 8627       SEDANG 2020     9  12       7    2020-09
## 8628       SEDANG 2020     9  13       1    2020-09
## 8629       SEDANG 2020     9  14       2    2020-09
## 8631       SEDANG 2020     9  16       4    2020-09
## 8632       SEDANG 2020     9  17       5    2020-09
## 8633       SEDANG 2020     9  18       6    2020-09
## 8634       SEDANG 2020     9  19       7    2020-09
## 8635       SEDANG 2020     9  20       1    2020-09
## 8636       SEDANG 2020     9  21       2    2020-09
## 8637       SEDANG 2020     9  22       3    2020-09
## 8638       SEDANG 2020     9  23       4    2020-09
## 8640       SEDANG 2020     9  25       6    2020-09
## 8641       SEDANG 2020     9  26       7    2020-09
## 8642       SEDANG 2020     9  27       1    2020-09
## 8643       SEDANG 2020     9  28       2    2020-09
## 8644       SEDANG 2020     9  29       3    2020-09
## 8769       SEDANG 2020    10   1       5    2020-10
## 8770       SEDANG 2020    10   2       6    2020-10
## 8771       SEDANG 2020    10   3       7    2020-10
## 8772       SEDANG 2020    10   4       1    2020-10
## 8773       SEDANG 2020    10   5       2    2020-10
## 8774  TIDAK SEHAT 2020    10   6       3    2020-10
## 8775       SEDANG 2020    10   7       4    2020-10
## 8776       SEDANG 2020    10   8       5    2020-10
## 8777       SEDANG 2020    10   9       6    2020-10
## 8778       SEDANG 2020    10  10       7    2020-10
## 8779       SEDANG 2020    10  11       1    2020-10
## 8781       SEDANG 2020    10  13       3    2020-10
## 8782       SEDANG 2020    10  14       4    2020-10
## 8783       SEDANG 2020    10  15       5    2020-10
## 8784       SEDANG 2020    10  16       6    2020-10
## 8785       SEDANG 2020    10  17       7    2020-10
## 8786       SEDANG 2020    10  18       1    2020-10
## 8787       SEDANG 2020    10  19       2    2020-10
## 8788       SEDANG 2020    10  20       3    2020-10
## 8789  TIDAK SEHAT 2020    10  21       4    2020-10
## 8790       SEDANG 2020    10  22       5    2020-10
## 8791         BAIK 2020    10  23       6    2020-10
## 8792       SEDANG 2020    10  24       7    2020-10
## 8793       SEDANG 2020    10  25       1    2020-10
## 8794       SEDANG 2020    10  26       2    2020-10
## 8795       SEDANG 2020    10  27       3    2020-10
## 8796  TIDAK SEHAT 2020    10  28       4    2020-10
## 8797       SEDANG 2020    10  29       5    2020-10
## 8798       SEDANG 2020    10  30       6    2020-10
## 8799       SEDANG 2020    10  31       7    2020-10
## 8921       SEDANG 2020    11   1       1    2020-11
## 8922         BAIK 2020    11   2       2    2020-11
## 8923       SEDANG 2020    11   3       3    2020-11
## 8924       SEDANG 2020    11   4       4    2020-11
## 8925       SEDANG 2020    11   5       5    2020-11
## 8926       SEDANG 2020    11   6       6    2020-11
## 8927       SEDANG 2020    11   7       7    2020-11
## 8928       SEDANG 2020    11   8       1    2020-11
## 8929       SEDANG 2020    11   9       2    2020-11
## 8930       SEDANG 2020    11  10       3    2020-11
## 8931       SEDANG 2020    11  11       4    2020-11
## 8932       SEDANG 2020    11  12       5    2020-11
## 8933       SEDANG 2020    11  13       6    2020-11
## 8934       SEDANG 2020    11  14       7    2020-11
## 8935       SEDANG 2020    11  15       1    2020-11
## 8936       SEDANG 2020    11  16       2    2020-11
## 8937       SEDANG 2020    11  17       3    2020-11
## 8938       SEDANG 2020    11  18       4    2020-11
## 8939       SEDANG 2020    11  19       5    2020-11
## 8940       SEDANG 2020    11  20       6    2020-11
## 8941       SEDANG 2020    11  21       7    2020-11
## 8942       SEDANG 2020    11  22       1    2020-11
## 8943       SEDANG 2020    11  23       2    2020-11
## 8944       SEDANG 2020    11  24       3    2020-11
## 8945       SEDANG 2020    11  25       4    2020-11
## 8946       SEDANG 2020    11  26       5    2020-11
## 8947       SEDANG 2020    11  27       6    2020-11
## 8949       SEDANG 2020    11  29       1    2020-11
## 8950         BAIK 2020    11  30       2    2020-11
## 9074         BAIK 2020    12   1       3    2020-12
## 9075         BAIK 2020    12   2       4    2020-12
## 9076         BAIK 2020    12   3       5    2020-12
## 9077       SEDANG 2020    12   4       6    2020-12
## 9078         BAIK 2020    12   5       7    2020-12
## 9079         BAIK 2020    12   6       1    2020-12
## 9080         BAIK 2020    12   7       2    2020-12
## 9081         BAIK 2020    12   8       3    2020-12
## 9082         BAIK 2020    12   9       4    2020-12
## 9083         BAIK 2020    12  10       5    2020-12
## 9084         BAIK 2020    12  11       6    2020-12
## 9085         BAIK 2020    12  12       7    2020-12
## 9086         BAIK 2020    12  13       1    2020-12
## 9087         BAIK 2020    12  14       2    2020-12
## 9088         BAIK 2020    12  15       3    2020-12
## 9089         BAIK 2020    12  16       4    2020-12
## 9090         BAIK 2020    12  17       5    2020-12
## 9091         BAIK 2020    12  18       6    2020-12
## 9092         BAIK 2020    12  19       7    2020-12
## 9093         BAIK 2020    12  20       1    2020-12
## 9094         BAIK 2020    12  21       2    2020-12
## 9095         BAIK 2020    12  22       3    2020-12
## 9096       SEDANG 2020    12  23       4    2020-12
## 9097       SEDANG 2020    12  24       5    2020-12
## 9098         BAIK 2020    12  25       6    2020-12
## 9099         BAIK 2020    12  26       7    2020-12
## 9100         BAIK 2020    12  27       1    2020-12
## 9101         BAIK 2020    12  28       2    2020-12
## 9102         BAIK 2020    12  29       3    2020-12
## 9103         BAIK 2020    12  30       4    2020-12
## 9104         BAIK 2020    12  31       5    2020-12
## 9229         BAIK 2021     1   1       6    2021-01
## 9230       SEDANG 2021     1   2       7    2021-01
## 9231       SEDANG 2021     1   3       1    2021-01
## 9232         BAIK 2021     1   4       2    2021-01
## 9233       SEDANG 2021     1   5       3    2021-01
## 9234       SEDANG 2021     1   6       4    2021-01
## 9235       SEDANG 2021     1   7       5    2021-01
## 9236       SEDANG 2021     1   8       6    2021-01
## 9237       SEDANG 2021     1   9       7    2021-01
## 9238         BAIK 2021     1  10       1    2021-01
## 9239       SEDANG 2021     1  11       2    2021-01
## 9240         BAIK 2021     1  12       3    2021-01
## 9241         BAIK 2021     1  13       4    2021-01
## 9242         BAIK 2021     1  14       5    2021-01
## 9243       SEDANG 2021     1  15       6    2021-01
## 9244         BAIK 2021     1  16       7    2021-01
## 9245       SEDANG 2021     1  17       1    2021-01
## 9246         BAIK 2021     1  18       2    2021-01
## 9247         BAIK 2021     1  19       3    2021-01
## 9248       SEDANG 2021     1  20       4    2021-01
## 9249       SEDANG 2021     1  21       5    2021-01
## 9250       SEDANG 2021     1  22       6    2021-01
## 9251       SEDANG 2021     1  23       7    2021-01
## 9254       SEDANG 2021     1  26       3    2021-01
## 9255         BAIK 2021     1  27       4    2021-01
## 9256         BAIK 2021     1  28       5    2021-01
## 9257         BAIK 2021     1  29       6    2021-01
## 9258         BAIK 2021     1  30       7    2021-01
## 9376       SEDANG 2021     2   2       3    2021-02
## 9377       SEDANG 2021     2   3       4    2021-02
## 9378       SEDANG 2021     2   4       5    2021-02
## 9379         BAIK 2021     2   5       6    2021-02
## 9380         BAIK 2021     2   6       7    2021-02
## 9381       SEDANG 2021     2   7       1    2021-02
## 9382         BAIK 2021     2   8       2    2021-02
## 9383       SEDANG 2021     2   9       3    2021-02
## 9384       SEDANG 2021     2  10       4    2021-02
## 9385         BAIK 2021     2  11       5    2021-02
## 9386       SEDANG 2021     2  12       6    2021-02
## 9387       SEDANG 2021     2  13       7    2021-02
## 9388       SEDANG 2021     2  14       1    2021-02
## 9389       SEDANG 2021     2  15       2    2021-02
## 9390       SEDANG 2021     2  16       3    2021-02
## 9391       SEDANG 2021     2  17       4    2021-02
## 9392       SEDANG 2021     2  18       5    2021-02
## 9393       SEDANG 2021     2  19       6    2021-02
## 9394       SEDANG 2021     2  20       7    2021-02
## 9395         BAIK 2021     2  21       1    2021-02
## 9396       SEDANG 2021     2  22       2    2021-02
## 9397       SEDANG 2021     2  23       3    2021-02
## 9398       SEDANG 2021     2  24       4    2021-02
## 9399         BAIK 2021     2  25       5    2021-02
## 9400       SEDANG 2021     2  26       6    2021-02
## 9401       SEDANG 2021     2  27       7    2021-02
## 9402  TIDAK SEHAT 2021     2  28       1    2021-02
## 9524       SEDANG 2021     3   1       2    2021-03
## 9525       SEDANG 2021     3   2       3    2021-03
## 9526       SEDANG 2021     3   3       4    2021-03
## 9527  TIDAK SEHAT 2021     3   4       5    2021-03
## 9528       SEDANG 2021     3   5       6    2021-03
## 9529       SEDANG 2021     3   6       7    2021-03
## 9530  TIDAK SEHAT 2021     3   7       1    2021-03
## 9531       SEDANG 2021     3   8       2    2021-03
## 9532       SEDANG 2021     3   9       3    2021-03
## 9533       SEDANG 2021     3  10       4    2021-03
## 9534       SEDANG 2021     3  11       5    2021-03
## 9535       SEDANG 2021     3  12       6    2021-03
## 9536       SEDANG 2021     3  13       7    2021-03
## 9537       SEDANG 2021     3  14       1    2021-03
## 9538       SEDANG 2021     3  15       2    2021-03
## 9539  TIDAK SEHAT 2021     3  16       3    2021-03
## 9540  TIDAK SEHAT 2021     3  17       4    2021-03
## 9541  TIDAK SEHAT 2021     3  18       5    2021-03
## 9542       SEDANG 2021     3  19       6    2021-03
## 9543       SEDANG 2021     3  20       7    2021-03
## 9544       SEDANG 2021     3  21       1    2021-03
## 9545       SEDANG 2021     3  22       2    2021-03
## 9546       SEDANG 2021     3  23       3    2021-03
## 9547       SEDANG 2021     3  24       4    2021-03
## 9548       SEDANG 2021     3  25       5    2021-03
## 9549       SEDANG 2021     3  26       6    2021-03
## 9550       SEDANG 2021     3  27       7    2021-03
## 9551       SEDANG 2021     3  28       1    2021-03
## 9552       SEDANG 2021     3  29       2    2021-03
## 9553       SEDANG 2021     3  30       3    2021-03
## 9554       SEDANG 2021     3  31       4    2021-03
## 9676         BAIK 2021     4   1       5    2021-04
## 9677       SEDANG 2021     4   2       6    2021-04
## 9678       SEDANG 2021     4   3       7    2021-04
## 9679  TIDAK SEHAT 2021     4   4       1    2021-04
## 9680       SEDANG 2021     4   5       2    2021-04
## 9681         BAIK 2021     4   6       3    2021-04
## 9682         BAIK 2021     4   7       4    2021-04
## 9683       SEDANG 2021     4   8       5    2021-04
## 9684       SEDANG 2021     4   9       6    2021-04
## 9685       SEDANG 2021     4  10       7    2021-04
## 9686  TIDAK SEHAT 2021     4  11       1    2021-04
## 9687       SEDANG 2021     4  12       2    2021-04
## 9688       SEDANG 2021     4  13       3    2021-04
## 9689       SEDANG 2021     4  14       4    2021-04
## 9690       SEDANG 2021     4  15       5    2021-04
## 9691       SEDANG 2021     4  16       6    2021-04
## 9692  TIDAK SEHAT 2021     4  17       7    2021-04
## 9695       SEDANG 2021     4  20       3    2021-04
## 9696  TIDAK SEHAT 2021     4  21       4    2021-04
## 9697       SEDANG 2021     4  22       5    2021-04
## 9698  TIDAK SEHAT 2021     4  23       6    2021-04
## 9699       SEDANG 2021     4  24       7    2021-04
## 9700  TIDAK SEHAT 2021     4  25       1    2021-04
## 9701  TIDAK SEHAT 2021     4  26       2    2021-04
## 9702  TIDAK SEHAT 2021     4  27       3    2021-04
## 9703       SEDANG 2021     4  28       4    2021-04
## 9704       SEDANG 2021     4  29       5    2021-04
## 9832  TIDAK SEHAT 2021     5   4       3    2021-05
## 9833  TIDAK SEHAT 2021     5   5       4    2021-05
## 9834       SEDANG 2021     5   6       5    2021-05
## 9835       SEDANG 2021     5   7       6    2021-05
## 9836       SEDANG 2021     5   8       7    2021-05
## 9837       SEDANG 2021     5   9       1    2021-05
## 9838       SEDANG 2021     5  10       2    2021-05
## 9839  TIDAK SEHAT 2021     5  11       3    2021-05
## 9840  TIDAK SEHAT 2021     5  12       4    2021-05
## 9841  TIDAK SEHAT 2021     5  13       5    2021-05
## 9842       SEDANG 2021     5  14       6    2021-05
## 9845       SEDANG 2021     5  17       2    2021-05
## 9847       SEDANG 2021     5  19       4    2021-05
## 9848  TIDAK SEHAT 2021     5  20       5    2021-05
## 9849       SEDANG 2021     5  21       6    2021-05
## 9851  TIDAK SEHAT 2021     5  23       1    2021-05
## 9852  TIDAK SEHAT 2021     5  24       2    2021-05
## 9853       SEDANG 2021     5  25       3    2021-05
## 9854       SEDANG 2021     5  26       4    2021-05
## 9855       SEDANG 2021     5  27       5    2021-05
## 9856       SEDANG 2021     5  28       6    2021-05
## 9857       SEDANG 2021     5  29       7    2021-05
## 9858       SEDANG 2021     5  30       1    2021-05
## 9859       SEDANG 2021     5  31       2    2021-05
## 9983       SEDANG 2021     6   3       5    2021-06
## 9984       SEDANG 2021     6   4       6    2021-06
## 9985       SEDANG 2021     6   5       7    2021-06
## 9986       SEDANG 2021     6   6       1    2021-06
## 9987       SEDANG 2021     6   7       2    2021-06
## 9990  TIDAK SEHAT 2021     6  10       5    2021-06
## 9992       SEDANG 2021     6  12       7    2021-06
## 9993       SEDANG 2021     6  13       1    2021-06
## 9994  TIDAK SEHAT 2021     6  14       2    2021-06
## 9995  TIDAK SEHAT 2021     6  15       3    2021-06
## 9996       SEDANG 2021     6  16       4    2021-06
## 9997  TIDAK SEHAT 2021     6  17       5    2021-06
## 9998  TIDAK SEHAT 2021     6  18       6    2021-06
## 9999  TIDAK SEHAT 2021     6  19       7    2021-06
## 10000 TIDAK SEHAT 2021     6  20       1    2021-06
## 10001      SEDANG 2021     6  21       2    2021-06
## 10002      SEDANG 2021     6  22       3    2021-06
## 10003 TIDAK SEHAT 2021     6  23       4    2021-06
## 10004 TIDAK SEHAT 2021     6  24       5    2021-06
## 10005 TIDAK SEHAT 2021     6  25       6    2021-06
## 10006 TIDAK SEHAT 2021     6  26       7    2021-06
## 10007 TIDAK SEHAT 2021     6  27       1    2021-06
## 10008 TIDAK SEHAT 2021     6  28       2    2021-06
## 10009 TIDAK SEHAT 2021     6  29       3    2021-06
## 10010 TIDAK SEHAT 2021     6  30       4    2021-06
## 10134 TIDAK SEHAT 2021     7   1       5    2021-07
## 10135 TIDAK SEHAT 2021     7   2       6    2021-07
## 10136 TIDAK SEHAT 2021     7   3       7    2021-07
## 10137 TIDAK SEHAT 2021     7   4       1    2021-07
## 10138 TIDAK SEHAT 2021     7   5       2    2021-07
## 10139      SEDANG 2021     7   6       3    2021-07
## 10140 TIDAK SEHAT 2021     7   7       4    2021-07
## 10141 TIDAK SEHAT 2021     7   8       5    2021-07
## 10142 TIDAK SEHAT 2021     7   9       6    2021-07
## 10143 TIDAK SEHAT 2021     7  10       7    2021-07
## 10144 TIDAK SEHAT 2021     7  11       1    2021-07
## 10146 TIDAK SEHAT 2021     7  13       3    2021-07
## 10147 TIDAK SEHAT 2021     7  14       4    2021-07
## 10148 TIDAK SEHAT 2021     7  15       5    2021-07
## 10149 TIDAK SEHAT 2021     7  16       6    2021-07
## 10150 TIDAK SEHAT 2021     7  17       7    2021-07
## 10151 TIDAK SEHAT 2021     7  18       1    2021-07
## 10152 TIDAK SEHAT 2021     7  19       2    2021-07
## 10153 TIDAK SEHAT 2021     7  20       3    2021-07
## 10154 TIDAK SEHAT 2021     7  21       4    2021-07
## 10155 TIDAK SEHAT 2021     7  22       5    2021-07
## 10156 TIDAK SEHAT 2021     7  23       6    2021-07
## 10157 TIDAK SEHAT 2021     7  24       7    2021-07
## 10158 TIDAK SEHAT 2021     7  25       1    2021-07
## 10159 TIDAK SEHAT 2021     7  26       2    2021-07
## 10160 TIDAK SEHAT 2021     7  27       3    2021-07
## 10161 TIDAK SEHAT 2021     7  28       4    2021-07
## 10162 TIDAK SEHAT 2021     7  29       5    2021-07
## 10163 TIDAK SEHAT 2021     7  30       6    2021-07
## 10164      SEDANG 2021     7  31       7    2021-07
## 10289      SEDANG 2021     8   1       1    2021-08
## 10290      SEDANG 2021     8   2       2    2021-08
## 10291 TIDAK SEHAT 2021     8   3       3    2021-08
## 10292      SEDANG 2021     8   4       4    2021-08
## 10293      SEDANG 2021     8   5       5    2021-08
## 10294 TIDAK SEHAT 2021     8   6       6    2021-08
## 10295 TIDAK SEHAT 2021     8   7       7    2021-08
## 10296      SEDANG 2021     8   8       1    2021-08
## 10297      SEDANG 2021     8   9       2    2021-08
## 10298      SEDANG 2021     8  10       3    2021-08
## 10299 TIDAK SEHAT 2021     8  11       4    2021-08
## 10300 TIDAK SEHAT 2021     8  12       5    2021-08
## 10301 TIDAK SEHAT 2021     8  13       6    2021-08
## 10302      SEDANG 2021     8  14       7    2021-08
## 10303 TIDAK SEHAT 2021     8  15       1    2021-08
## 10304      SEDANG 2021     8  16       2    2021-08
## 10305 TIDAK SEHAT 2021     8  17       3    2021-08
## 10306      SEDANG 2021     8  18       4    2021-08
## 10307 TIDAK SEHAT 2021     8  19       5    2021-08
## 10308 TIDAK SEHAT 2021     8  20       6    2021-08
## 10309      SEDANG 2021     8  21       7    2021-08
## 10310 TIDAK SEHAT 2021     8  22       1    2021-08
## 10311 TIDAK SEHAT 2021     8  23       2    2021-08
## 10312 TIDAK SEHAT 2021     8  24       3    2021-08
## 10313 TIDAK SEHAT 2021     8  25       4    2021-08
## 10314      SEDANG 2021     8  26       5    2021-08
## 10315 TIDAK SEHAT 2021     8  27       6    2021-08
## 10316 TIDAK SEHAT 2021     8  28       7    2021-08
## 10317 TIDAK SEHAT 2021     8  29       1    2021-08
## 10318 TIDAK SEHAT 2021     8  30       2    2021-08
## 10319 TIDAK SEHAT 2021     8  31       3    2021-08
## 10441 TIDAK SEHAT 2021     9   1       4    2021-09
## 10442 TIDAK SEHAT 2021     9   2       5    2021-09
## 10443 TIDAK SEHAT 2021     9   3       6    2021-09
## 10444      SEDANG 2021     9   4       7    2021-09
## 10445 TIDAK SEHAT 2021     9   5       1    2021-09
## 10446 TIDAK SEHAT 2021     9   6       2    2021-09
## 10447      SEDANG 2021     9   7       3    2021-09
## 10448 TIDAK SEHAT 2021     9   8       4    2021-09
## 10449      SEDANG 2021     9   9       5    2021-09
## 10450      SEDANG 2021     9  10       6    2021-09
## 10451 TIDAK SEHAT 2021     9  11       7    2021-09
## 10452 TIDAK SEHAT 2021     9  12       1    2021-09
## 10453      SEDANG 2021     9  13       2    2021-09
## 10454      SEDANG 2021     9  14       3    2021-09
## 10455 TIDAK SEHAT 2021     9  15       4    2021-09
## 10456      SEDANG 2021     9  16       5    2021-09
## 10457      SEDANG 2021     9  17       6    2021-09
## 10458 TIDAK SEHAT 2021     9  18       7    2021-09
## 10599 TIDAK SEHAT 2021    10   6       4    2021-10
## 10600      SEDANG 2021    10   7       5    2021-10
## 10601      SEDANG 2021    10   8       6    2021-10
## 10602      SEDANG 2021    10   9       7    2021-10
## 10603      SEDANG 2021    10  10       1    2021-10
## 10604      SEDANG 2021    10  11       2    2021-10
## 10605 TIDAK SEHAT 2021    10  12       3    2021-10
## 10608 TIDAK SEHAT 2021    10  15       6    2021-10
## 10609 TIDAK SEHAT 2021    10  16       7    2021-10
## 10611      SEDANG 2021    10  18       2    2021-10
## 10612      SEDANG 2021    10  19       3    2021-10
## 10615 TIDAK SEHAT 2021    10  22       6    2021-10
## 10616 TIDAK SEHAT 2021    10  23       7    2021-10
## 10617 TIDAK SEHAT 2021    10  24       1    2021-10
## 10618 TIDAK SEHAT 2021    10  25       2    2021-10
## 10619 TIDAK SEHAT 2021    10  26       3    2021-10
## 10620      SEDANG 2021    10  27       4    2021-10
## 10621      SEDANG 2021    10  28       5    2021-10
## 10622      SEDANG 2021    10  29       6    2021-10
## 10623 TIDAK SEHAT 2021    10  30       7    2021-10
## 10747      SEDANG 2021    11   2       3    2021-11
## 10748      SEDANG 2021    11   3       4    2021-11
## 10749      SEDANG 2021    11   4       5    2021-11
## 10750      SEDANG 2021    11   5       6    2021-11
## 10751      SEDANG 2021    11   6       7    2021-11
## 10752      SEDANG 2021    11   7       1    2021-11
## 10753      SEDANG 2021    11   8       2    2021-11
## 10754 TIDAK SEHAT 2021    11   9       3    2021-11
## 10755      SEDANG 2021    11  10       4    2021-11
## 10756      SEDANG 2021    11  11       5    2021-11
## 10757      SEDANG 2021    11  12       6    2021-11
## 10758      SEDANG 2021    11  13       7    2021-11
## 10759      SEDANG 2021    11  14       1    2021-11
## 10760      SEDANG 2021    11  15       2    2021-11
## 10761      SEDANG 2021    11  16       3    2021-11
## 10762      SEDANG 2021    11  17       4    2021-11
## 10763 TIDAK SEHAT 2021    11  18       5    2021-11
## 10764        BAIK 2021    11  19       6    2021-11
## 10765      SEDANG 2021    11  20       7    2021-11
## 10766      SEDANG 2021    11  21       1    2021-11
## 10767        BAIK 2021    11  22       2    2021-11
## 10768        BAIK 2021    11  23       3    2021-11
## 10769      SEDANG 2021    11  24       4    2021-11
## 10770      SEDANG 2021    11  25       5    2021-11
## 10771      SEDANG 2021    11  26       6    2021-11
## 10772      SEDANG 2021    11  27       7    2021-11
## 10773        BAIK 2021    11  28       1    2021-11
## 10774      SEDANG 2021    11  29       2    2021-11
## 10775      SEDANG 2021    11  30       3    2021-11
## 10899      SEDANG 2021    12   1       4    2021-12
## 10900      SEDANG 2021    12   2       5    2021-12
## 10901      SEDANG 2021    12   3       6    2021-12
## 10902      SEDANG 2021    12   4       7    2021-12
## 10903      SEDANG 2021    12   5       1    2021-12
## 10904      SEDANG 2021    12   6       2    2021-12
## 10905 TIDAK SEHAT 2021    12   7       3    2021-12
## 10906      SEDANG 2021    12   8       4    2021-12
## 10907      SEDANG 2021    12   9       5    2021-12
## 10908      SEDANG 2021    12  10       6    2021-12
## 10909      SEDANG 2021    12  11       7    2021-12
## 10912      SEDANG 2021    12  14       3    2021-12
## 10913 TIDAK SEHAT 2021    12  15       4    2021-12
## 10914 TIDAK SEHAT 2021    12  16       5    2021-12
## 10915      SEDANG 2021    12  17       6    2021-12
## 10917 TIDAK SEHAT 2021    12  19       1    2021-12
## 10918      SEDANG 2021    12  20       2    2021-12
## 10919      SEDANG 2021    12  21       3    2021-12
Nama_Minggu <- c(
                    `1` = "Senin",
                    `2` = "Selasa",
                    `3` = "Rabu",
                    `4` = "Kamis",
                    `5` = "Jumat",
                    `6` = "Sabtu",
                    `7` = "Minggu"
                    )

Nama_Bulan <- c(
                    `1` = "Januari",
                    `2` = "Februari",
                    `3` = "Maret",
                    `4` = "April",
                    `5` = "Mei",
                    `6` = "Juni",
                    `7` = "Juli",
                    `8` = "Agustus",
                    `9` = "September",
                    `10` = "Oktober",
                    `11` = "November",
                    `12` = "Desember"
                    )
# Tingkat SO2 per Weekday
ggplot(data = df_dki_4, aes(x = weekday, y = so2,  fill=factor(weekday)))+scale_fill_identity("Weekday", labels = Nama_Minggu, breaks = 1:7,
  guide = "legend") +
  geom_col() +
  labs(title = "Tingkat SO2 Per Minggu") + # dari hari Senin s/d Minggu
  theme_minimal()+ scale_x_continuous(breaks = 1:7,
                     labels = Nama_Minggu)

Tingkat jumlah partikel SO2 yang paling tinggi sepanjang minggu adalah dihari Sabtu=6 dan Minggu=7

# Tingkat SO2 per Month
ggplot(data = df_dki_4, aes(x = month, y = so2,  fill=factor(month)))+scale_fill_identity("Month", labels = Nama_Bulan, breaks = 1:12,
  guide = "legend") +
  geom_col() +
  labs(title = "Tingkat SO2 Per Bulan") + # dari hari Senin s/d Minggu
  theme( axis.text.x = element_text(angle = 45, hjust = 1,size = 10))+ scale_x_continuous(breaks = 1:12,
                     labels = Nama_Bulan)

# Tingkat SO2 per month
ggplot(data = df_dki_4, aes(x = month, y = so2, col=month, fill=month)) +
  geom_col() + 
  labs(title = "Tingkat SO2 Per Bulan") + # dari bulan Januari s/d Desember
  theme_minimal()

Tingkat jumlah partikel SO2 yang paling rendah ada pada bulan 2 dan paling tinggi pada bulan 11

# Tingkat SO2 per Tahun



ggplot(data = df_dki_4, aes(x = year_month, y = so2)) +
  geom_boxplot() +
  labs(title = "Tingkat SO2 per Tahun") +
  theme( axis.text.x = element_text(angle = 45, hjust = 1,size = 11)) 

Pola partikel SO2 per bulan tampaknya tidak sama setiap tahunnya.

Note: Bagian ini bisa disesuaikan dengan kebutuhan ekplorasi. jadi poin2 dari visualiasi bisa ditambah berdasarkan kebutuhan

kpss.test(Data.SPKU$pm10)
## Warning in kpss.test(Data.SPKU$pm10): p-value smaller than printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  Data.SPKU$pm10
## KPSS Level = 1.3729, Truncation lag parameter = 12, p-value = 0.01
kpss.test(Data.SPKU$so2)
## Warning in kpss.test(Data.SPKU$so2): p-value smaller than printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  Data.SPKU$so2
## KPSS Level = 8.4753, Truncation lag parameter = 12, p-value = 0.01
kpss.test(Data.SPKU$co)
## Warning in kpss.test(Data.SPKU$co): p-value smaller than printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  Data.SPKU$co
## KPSS Level = 11.253, Truncation lag parameter = 12, p-value = 0.01
kpss.test(Data.SPKU$o3)
## Warning in kpss.test(Data.SPKU$o3): p-value smaller than printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  Data.SPKU$o3
## KPSS Level = 9.2316, Truncation lag parameter = 12, p-value = 0.01
kpss.test(Data.SPKU$no2)
## Warning in kpss.test(Data.SPKU$no2): p-value smaller than printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  Data.SPKU$no2
## KPSS Level = 12.066, Truncation lag parameter = 12, p-value = 0.01
acf(Data.SPKU$pm10, lag.max= 36)

pacf(Data.SPKU$pm10, lag.max= 36)

4. Model

Definisikan model prediksi yang akan dilakukan berdasarkan metode yg digunakan LSTM/Prophet/SARIMA

a. Model Prediksi PM10

Pengujian akan dilakukan pada data df_dki_4 dengan menggunakan uji Augmented Dickey-Fuller (ADF) dan Kwiatkowski Phillips Schmidt Shin (KPSS). ADF Test Test ini digunakan untuk memahami apakah deret tersebut stationer atau tidak. Ada 2 hipotesis yang bisa dikembangkan. H0: deret waktu tidak stationer dan memiliki beberapa struktur tergantung waktu H1: deret waktu stationer dan tidak memiliki beberapa struktur tergantung waktu dengan nilai p-value < 0,05 sehingga HO ditolak, H1 diterima

KPSS test H0 dan H1 untuk uji KPSS berlawanan dengan uji ADF, sehingga hipotesis dalam KPSS adalah H0: deret tren stationer H1: deret tren tidak stationer dengan nilai p-value < 0,05 sehingga HO diterima, H1 ditolak

adf.test(Data.SPKU$pm10)
## Warning in adf.test(Data.SPKU$pm10): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  Data.SPKU$pm10
## Dickey-Fuller = -9.9403, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationary
kpss.test(Data.SPKU$pm10, null = "Level")
## Warning in kpss.test(Data.SPKU$pm10, null = "Level"): p-value smaller than
## printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  Data.SPKU$pm10
## KPSS Level = 1.3729, Truncation lag parameter = 12, p-value = 0.01
#differensiasi data_so2 pada stasiun DKI4
Data.SPKU_diff <- diff(Data.SPKU$pm10)
#dropna dari data yang sudah di-differensiasi
Data.SPKU_diff <- Data.SPKU_diff[!is.na(Data.SPKU_diff)]
#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(Data.SPKU_diff), value = Data.SPKU_diff), aes(x = date, y = value)) +
  geom_line(color = "blue") +
  ggtitle("Stationary timeseries")+
  theme(plot.title = element_text(hjust = 0.5))+
  scale_x_continuous(name = "Hari",
                     breaks = seq(0, length(Data.SPKU_diff), by = 365))+ #periode 365 hari
  scale_y_continuous(name = "Nilai")+
  theme(axis.text.x=element_text(angle=60,hjust=1))+
  theme_minimal()

Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.

adf.test(df_dki_4$pm10)
## Warning in adf.test(df_dki_4$pm10): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  df_dki_4$pm10
## Dickey-Fuller = -6.4386, Lag order = 12, p-value = 0.01
## alternative hypothesis: stationary
kpss.test(df_dki_4$pm10, null = "Level")
## Warning in kpss.test(df_dki_4$pm10, null = "Level"): p-value greater than
## printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  df_dki_4$pm10
## KPSS Level = 0.26203, Truncation lag parameter = 8, p-value = 0.1
#differensiasi data_so2 pada stasiun DKI4
df_dki_4_diff <- diff(df_dki_4$pm10)
#dropna dari data yang sudah di-differensiasi
df_dki_4_diff <- df_dki_4_diff[!is.na(df_dki_4_diff)]
#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(df_dki_4_diff), value = df_dki_4_diff), aes(x = date, y = value)) +
  geom_line(color = "blue") +
  ggtitle("Stationary timeseries")+
  theme(plot.title = element_text(hjust = 0.5))+
  scale_x_continuous(name = "Hari",
                     breaks = seq(0, length(df_dki_4_diff), by = 365))+ #periode 365 hari
  scale_y_continuous(name = "Nilai")+
  theme(axis.text.x=element_text(angle=60,hjust=1))+
  theme_minimal()

Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.

i.Data Dekomposisi

decom_ts <- ts(data = Data.SPKU$pm10, start = c(2016,1), end = c(2021,12), frequency = 12)
# Classical Decomposition
decom_ts %>% decompose(type = "multiplicative") %>%
  autoplot() + xlab("Year") +
  ggtitle("Multiplicative Decomposition of PM10")

decom_ts %>% decompose(type = "additive") %>%
  autoplot() + xlab("Year") +
  ggtitle("Additive Decomposition of PM10")

ts_decom <- decompose(decom_ts)
ts_decom_table <- data.frame(seasonal = ts_decom$seasonal, trend = ts_decom$trend, random = ts_decom$random)
ts_decom_table <- na.omit(ts_decom_table)
descr(ts_decom_table)
## 
## seasonal
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  -5.621  -4.183   1.150   0.000   3.071   4.662 
## 
## trend
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   52.08   54.27   55.71   58.87   62.33   74.54 
## 
## random
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## -25.3042  -7.3708   0.2083  -0.4875   6.2604  27.2125
head(ts_decom_table)
##      seasonal    trend      random
## 7   4.6625000 57.79167   3.5458333
## 8  -5.2375000 58.37500  11.8625000
## 9   0.4291667 58.33333 -15.7625000
## 10 -0.4625000 57.16667  -1.7041667
## 11  2.8041667 55.50000 -25.3041667
## 12  4.6208333 55.62500   0.7541667
ts_decom$seasonal
##             Jan        Feb        Mar        Apr        May        Jun
## 2016  3.8708333 -5.6208333  2.0375000 -3.8791667 -5.0958333  1.8708333
## 2017  3.8708333 -5.6208333  2.0375000 -3.8791667 -5.0958333  1.8708333
## 2018  3.8708333 -5.6208333  2.0375000 -3.8791667 -5.0958333  1.8708333
## 2019  3.8708333 -5.6208333  2.0375000 -3.8791667 -5.0958333  1.8708333
## 2020  3.8708333 -5.6208333  2.0375000 -3.8791667 -5.0958333  1.8708333
## 2021  3.8708333 -5.6208333  2.0375000 -3.8791667 -5.0958333  1.8708333
##             Jul        Aug        Sep        Oct        Nov        Dec
## 2016  4.6625000 -5.2375000  0.4291667 -0.4625000  2.8041667  4.6208333
## 2017  4.6625000 -5.2375000  0.4291667 -0.4625000  2.8041667  4.6208333
## 2018  4.6625000 -5.2375000  0.4291667 -0.4625000  2.8041667  4.6208333
## 2019  4.6625000 -5.2375000  0.4291667 -0.4625000  2.8041667  4.6208333
## 2020  4.6625000 -5.2375000  0.4291667 -0.4625000  2.8041667  4.6208333
## 2021  4.6625000 -5.2375000  0.4291667 -0.4625000  2.8041667  4.6208333
plot(ts_decom$seasonal)

ts_decom$figure
##  [1]  3.8708333 -5.6208333  2.0375000 -3.8791667 -5.0958333  1.8708333
##  [7]  4.6625000 -5.2375000  0.4291667 -0.4625000  2.8041667  4.6208333
plot(ts_decom$figure,
     type = 'b',
     xlab = 'Month',
     ylab = 'Seasonality Index',
     col = 'blue',
     las = 2
)

#adjustment decomposition data
ts_decom_adj <- decom_ts - ts_decom$seasonal
plot(ts_decom_adj)

ts_decom_adj
##            Jan       Feb       Mar       Apr       May       Jun       Jul
## 2016  55.12917  64.62083  55.96250  76.87917  65.09583  52.12917  61.33750
## 2017  70.12917  63.62083  55.96250  48.87917  53.09583  67.12917  35.33750
## 2018  46.12917  56.62083  54.96250  62.87917  64.09583  53.12917  54.33750
## 2019  41.12917  35.62083  55.96250  78.87917  66.09583  53.12917  41.33750
## 2020  55.12917  59.62083  69.96250  45.87917  42.09583  59.12917  94.33750
## 2021  78.12917  77.62083  58.96250  60.87917  73.09583  66.12917  89.33750
##            Aug       Sep       Oct       Nov       Dec
## 2016  70.23750  42.57083  55.46250  30.19583  56.37917
## 2017  37.23750  60.57083  61.46250  61.19583  52.37917
## 2018  60.23750  53.57083  61.46250  57.19583  44.37917
## 2019  40.23750  57.57083  49.46250  65.19583  57.37917
## 2020  80.23750  74.57083  60.46250  74.19583  78.37917
## 2021 101.23750  76.57083  59.46250  52.19583  38.37917
descr(ts_decom_adj)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   30.20   52.92   59.05   59.58   66.10  101.24
str(ts_decom_adj)
##  Time-Series [1:72] from 2016 to 2022: 55.1 64.6 56 76.9 65.1 ...
df_data <- as.data.frame(ts_decom_adj)
df_data
##            x
## 1   55.12917
## 2   64.62083
## 3   55.96250
## 4   76.87917
## 5   65.09583
## 6   52.12917
## 7   61.33750
## 8   70.23750
## 9   42.57083
## 10  55.46250
## 11  30.19583
## 12  56.37917
## 13  70.12917
## 14  63.62083
## 15  55.96250
## 16  48.87917
## 17  53.09583
## 18  67.12917
## 19  35.33750
## 20  37.23750
## 21  60.57083
## 22  61.46250
## 23  61.19583
## 24  52.37917
## 25  46.12917
## 26  56.62083
## 27  54.96250
## 28  62.87917
## 29  64.09583
## 30  53.12917
## 31  54.33750
## 32  60.23750
## 33  53.57083
## 34  61.46250
## 35  57.19583
## 36  44.37917
## 37  41.12917
## 38  35.62083
## 39  55.96250
## 40  78.87917
## 41  66.09583
## 42  53.12917
## 43  41.33750
## 44  40.23750
## 45  57.57083
## 46  49.46250
## 47  65.19583
## 48  57.37917
## 49  55.12917
## 50  59.62083
## 51  69.96250
## 52  45.87917
## 53  42.09583
## 54  59.12917
## 55  94.33750
## 56  80.23750
## 57  74.57083
## 58  60.46250
## 59  74.19583
## 60  78.37917
## 61  78.12917
## 62  77.62083
## 63  58.96250
## 64  60.87917
## 65  73.09583
## 66  66.12917
## 67  89.33750
## 68 101.23750
## 69  76.57083
## 70  59.46250
## 71  52.19583
## 72  38.37917
# Konversi data menjadi data time series menggunakan data dekomposisi time series 
dataset <- decom_ts
plot(dataset)

ggtsdisplay(dataset)

BoxCox.lambda(dataset)
## [1] -0.626846
# Membagi data menjadi data latih dan data uji
data_train_sarima <- head(dataset, 5*12) # ambil data 5 tahun 2016-2020
data_test_sarima <- tail(dataset, length(dataset)-length(data_train_sarima)) #ambil data 1 tahun terakhir
data_train_sarima %>% 
  decompose() %>% 
  autoplot()

plot(data_train_sarima)

length(data_train_sarima)
## [1] 60
length(data_test_sarima)
## [1] 12

ii. Mengidentifikasi Diferensi

a. Mengidentifikasi Diferensi musiman order 1

data_train_sarima_ds <- diff(data_train_sarima, differences = 1, lag = 12)
adf.test(data_train_sarima_ds)
## Warning in adf.test(data_train_sarima_ds): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  data_train_sarima_ds
## Dickey-Fuller = -4.4509, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationary

#Dari hasil diatas bisa disimpulkan bahwa data belum stationer karena nilai p-value > 0,05 yaitu sebesar 0,4503.

b. Mengidentifikasi Diferensi non-musiman order 1

data_train_sarima_dss <- diff(data_train_sarima_ds, differences = 1)
adf.test(data_train_sarima_dss)
## Warning in adf.test(data_train_sarima_dss): p-value smaller than printed
## p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  data_train_sarima_dss
## Dickey-Fuller = -7.217, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationary

Dari hasil diatas bisa disimpulkan bahwa data sudah stationer karena nilai p-value < 0,05 yaitu sebesar 0,01.

iii. Mengidentifikasi kemungkinan model yang tepat

par(mfrow = c(2,1))
acf(data_train_sarima_dss, lag.max = 36)
pacf(data_train_sarima_dss, lag.max = 36)

data_train_sarima_dss
##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2017     -16   1 -28  16  27 -41  -7  51 -12  25 -35
## 2018 -20  17   6  15  -3 -25  33   4 -30   7  -4  -4
## 2019   3 -16  22  15 -14  -2 -13  -7  24 -16  20   5
## 2020   1  10 -10 -47   9  30  47 -13 -23  -6  -2  12

iv. Fit Model

Menentukan model prediksi yang terbaik yang dapat dilihat dari nilai performansi Akaike Information Criteria (AIC) dan nilai signifikan (p-value). Model yang lebih baik akan memiliki nilai AIC yang lebih rendah

a. Fit Model 1

# Fit Model 1
fitmodel1 <- Arima (data_train_sarima_dss,
                    order = c(2,2,0),
                    seasonal = c(0,0,1),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel1)
## 
## z test of coefficients:
## 
##      Estimate Std. Error z value  Pr(>|z|)    
## ar1  -0.89820    0.12759 -7.0395 1.929e-12 ***
## ar2  -0.49389    0.13572 -3.6390 0.0002736 ***
## sma1 -0.47240    0.22736 -2.0778 0.0377255 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel1)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,0)(0,0,1)[12]
## Q* = 23.753, df = 6, p-value = 0.0005798
## 
## Model df: 3.   Total lags used: 9
ggtsdisplay(fitmodel1$residuals)

summary(fitmodel1)
## Series: data_train_sarima_dss 
## ARIMA(2,2,0)(0,0,1)[12] 
## 
## Coefficients:
##           ar1      ar2     sma1
##       -0.8982  -0.4939  -0.4724
## s.e.   0.1276   0.1357   0.2274
## 
## sigma^2 = 1140:  log likelihood = -222.69
## AIC=453.38   AICc=454.38   BIC=460.61
## 
## Training set error measures:
##                       ME     RMSE      MAE      MPE     MAPE      MASE
## Training set -0.02632777 31.91648 24.53846 33.43776 245.6197 0.8597059
##                    ACF1
## Training set -0.1694099
Box.test(residuals(fitmodel1), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel1)
## X-squared = 25.19, df = 12, p-value = 0.01395

Berdasarkan hasil diatas bisa dilihat bahwa, semua nilai signifikan. Secara keseluruhan dari model sudah cukup signifikan dengan nilai p-value 0.0005798 dimana nilai signifikan < 0,05 dan nilai AIC = 453.4. Sekarang kita akan lakukan fit model yang kedua dengan tujuan untuk mendapatkan nilai yang lebih baik.

b. Fit Model 2

# Fit Model 2
fitmodel2 <- Arima (data_train_sarima_dss,
                    order = c(2,2,1),
                    seasonal = c(0,0,1),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel2)
## 
## z test of coefficients:
## 
##       Estimate Std. Error  z value  Pr(>|z|)    
## ar1  -0.585346   0.141351  -4.1411 3.457e-05 ***
## ar2  -0.351791   0.143594  -2.4499   0.01429 *  
## ma1  -1.000000   0.071985 -13.8917 < 2.2e-16 ***
## sma1 -0.550627   0.243213  -2.2640   0.02358 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel2)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,1)(0,0,1)[12]
## Q* = 20.947, df = 5, p-value = 0.0008291
## 
## Model df: 4.   Total lags used: 9
ggtsdisplay(fitmodel2$residuals)

summary(fitmodel2)
## Series: data_train_sarima_dss 
## ARIMA(2,2,1)(0,0,1)[12] 
## 
## Coefficients:
##           ar1      ar2     ma1     sma1
##       -0.5853  -0.3518  -1.000  -0.5506
## s.e.   0.1414   0.1436   0.072   0.2432
## 
## sigma^2 = 584.3:  log likelihood = -210.43
## AIC=430.87   AICc=432.41   BIC=439.9
## 
## Training set error measures:
##                     ME     RMSE      MAE      MPE     MAPE    MASE       ACF1
## Training set -1.209342 22.57722 17.44996 64.85305 156.9881 0.61136 -0.1186716
Box.test(residuals(fitmodel2), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel2)
## X-squared = 21.999, df = 12, p-value = 0.03753

Berdasarkan fit model yang ke 2 didapatkan bahwa secara keseluruhan model sudah signitifan dengan nilai p-value 0.0008291 dimana nilai signifikan < 0,05 dan nilai AIC 430.87. Kita akan lanjutkan melakukan fit model yang ke 3.

c. Fit Model 3

# Fit Model 3
fitmodel3 <- Arima (data_train_sarima_dss,
                    order = c(2,2,1),
                    seasonal = c(0,1,1),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel3)
## 
## z test of coefficients:
## 
##      Estimate Std. Error z value  Pr(>|z|)    
## ar1  -0.56910    0.15785 -3.6054 0.0003117 ***
## ar2  -0.46823    0.15019 -3.1175 0.0018237 ** 
## ma1  -0.99451    0.10550 -9.4269 < 2.2e-16 ***
## sma1 -0.59703    0.32676 -1.8271 0.0676855 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel3)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,1)(0,1,1)[12]
## Q* = 19.644, df = 5, p-value = 0.001457
## 
## Model df: 4.   Total lags used: 9
ggtsdisplay(fitmodel3$residuals)

summary(fitmodel3)
## Series: data_train_sarima_dss 
## ARIMA(2,2,1)(0,1,1)[12] 
## 
## Coefficients:
##           ar1      ar2      ma1     sma1
##       -0.5691  -0.4682  -0.9945  -0.5970
## s.e.   0.1578   0.1502   0.1055   0.3268
## 
## sigma^2 = 1323:  log likelihood = -171.43
## AIC=352.86   AICc=355.09   BIC=360.35
## 
## Training set error measures:
##                    ME     RMSE      MAE      MPE     MAPE      MASE        ACF1
## Training set 3.259372 28.57113 18.60727 97.56923 197.9708 0.6519062 -0.03487201
Box.test(residuals(fitmodel3), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel3)
## X-squared = 21.385, df = 12, p-value = 0.04502

Berdasarkan fit model yang ke 3 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.001457 dimana nilai signifikan < 0,05 dan nilai AIC = 352,86.

d. Menentukan model terbaik dengan auto.arima

# Menentukan model terbaik
modelautoarima_pm10 <- auto.arima(
  data_train_sarima_dss,
  stepwise = FALSE,
  approximation = FALSE,
  trace = TRUE)
## 
##  ARIMA(0,0,0)            with zero mean     : 422.6082
##  ARIMA(0,0,0)            with non-zero mean : 424.7903
##  ARIMA(0,0,0)(0,0,1)[12] with zero mean     : 412.7101
##  ARIMA(0,0,0)(0,0,1)[12] with non-zero mean : 414.905
##  ARIMA(0,0,0)(1,0,0)[12] with zero mean     : 410.0435
##  ARIMA(0,0,0)(1,0,0)[12] with non-zero mean : 412.2421
##  ARIMA(0,0,0)(1,0,1)[12] with zero mean     : 412.0133
##  ARIMA(0,0,0)(1,0,1)[12] with non-zero mean : 414.292
##  ARIMA(0,0,1)            with zero mean     : 414.4957
##  ARIMA(0,0,1)            with non-zero mean : Inf
##  ARIMA(0,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,1)(1,0,0)[12] with zero mean     : 404.222
##  ARIMA(0,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(0,0,1)(1,0,1)[12] with zero mean     : 405.288
##  ARIMA(0,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,2)            with zero mean     : 408.403
##  ARIMA(0,0,2)            with non-zero mean : Inf
##  ARIMA(0,0,2)(0,0,1)[12] with zero mean     : 401.423
##  ARIMA(0,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,2)(1,0,0)[12] with zero mean     : 398.5166
##  ARIMA(0,0,2)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(0,0,2)(1,0,1)[12] with zero mean     : 400.9789
##  ARIMA(0,0,2)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)            with zero mean     : 410.1729
##  ARIMA(0,0,3)            with non-zero mean : Inf
##  ARIMA(0,0,3)(0,0,1)[12] with zero mean     : 403.9006
##  ARIMA(0,0,3)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)(1,0,0)[12] with zero mean     : 401.026
##  ARIMA(0,0,3)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)(1,0,1)[12] with zero mean     : 403.6138
##  ARIMA(0,0,3)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,4)            with zero mean     : 411.4612
##  ARIMA(0,0,4)            with non-zero mean : Inf
##  ARIMA(0,0,4)(0,0,1)[12] with zero mean     : 402.8618
##  ARIMA(0,0,4)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,4)(1,0,0)[12] with zero mean     : 397.9085
##  ARIMA(0,0,4)(1,0,0)[12] with non-zero mean : 397.9672
##  ARIMA(0,0,5)            with zero mean     : 409.6611
##  ARIMA(0,0,5)            with non-zero mean : 411.9211
##  ARIMA(1,0,0)            with zero mean     : 423.8771
##  ARIMA(1,0,0)            with non-zero mean : 426.1599
##  ARIMA(1,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,0)(1,0,0)[12] with zero mean     : 411.9764
##  ARIMA(1,0,0)(1,0,0)[12] with non-zero mean : 414.2737
##  ARIMA(1,0,0)(1,0,1)[12] with zero mean     : 413.7639
##  ARIMA(1,0,0)(1,0,1)[12] with non-zero mean : 416.1115
##  ARIMA(1,0,1)            with zero mean     : 411.8489
##  ARIMA(1,0,1)            with non-zero mean : Inf
##  ARIMA(1,0,1)(0,0,1)[12] with zero mean     : 403.1454
##  ARIMA(1,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,1)(1,0,0)[12] with zero mean     : 401.5911
##  ARIMA(1,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(1,0,1)(1,0,1)[12] with zero mean     : 403.6131
##  ARIMA(1,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)            with zero mean     : 410.3209
##  ARIMA(1,0,2)            with non-zero mean : Inf
##  ARIMA(1,0,2)(0,0,1)[12] with zero mean     : 403.9222
##  ARIMA(1,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)(1,0,0)[12] with zero mean     : 401.0272
##  ARIMA(1,0,2)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,2)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,3)            with zero mean     : 410.662
##  ARIMA(1,0,3)            with non-zero mean : Inf
##  ARIMA(1,0,3)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,3)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,3)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(1,0,3)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(1,0,4)            with zero mean     : 412.7671
##  ARIMA(1,0,4)            with non-zero mean : Inf
##  ARIMA(2,0,0)            with zero mean     : 420.1637
##  ARIMA(2,0,0)            with non-zero mean : 422.5503
##  ARIMA(2,0,0)(0,0,1)[12] with zero mean     : 411.6442
##  ARIMA(2,0,0)(0,0,1)[12] with non-zero mean : 413.9874
##  ARIMA(2,0,0)(1,0,0)[12] with zero mean     : 408.8597
##  ARIMA(2,0,0)(1,0,0)[12] with non-zero mean : 411.2481
##  ARIMA(2,0,0)(1,0,1)[12] with zero mean     : 411.3005
##  ARIMA(2,0,0)(1,0,1)[12] with non-zero mean : 413.7942
##  ARIMA(2,0,1)            with zero mean     : 410.1439
##  ARIMA(2,0,1)            with non-zero mean : Inf
##  ARIMA(2,0,1)(0,0,1)[12] with zero mean     : 401.9393
##  ARIMA(2,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,1)(1,0,0)[12] with zero mean     : 397.3408
##  ARIMA(2,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(2,0,1)(1,0,1)[12] with zero mean     : 399.9678
##  ARIMA(2,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,2)            with zero mean     : 412.7283
##  ARIMA(2,0,2)            with non-zero mean : Inf
##  ARIMA(2,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,2)(1,0,0)[12] with zero mean     : 396.3055
##  ARIMA(2,0,2)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(2,0,3)            with zero mean     : 414.0795
##  ARIMA(2,0,3)            with non-zero mean : Inf
##  ARIMA(3,0,0)            with zero mean     : 420.6588
##  ARIMA(3,0,0)            with non-zero mean : 423.1411
##  ARIMA(3,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(3,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(3,0,0)(1,0,0)[12] with zero mean     : 403.5244
##  ARIMA(3,0,0)(1,0,0)[12] with non-zero mean : 405.7155
##  ARIMA(3,0,0)(1,0,1)[12] with zero mean     : 404.781
##  ARIMA(3,0,0)(1,0,1)[12] with non-zero mean : 406.6287
##  ARIMA(3,0,1)            with zero mean     : 412.2822
##  ARIMA(3,0,1)            with non-zero mean : Inf
##  ARIMA(3,0,1)(0,0,1)[12] with zero mean     : 402.9204
##  ARIMA(3,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(3,0,1)(1,0,0)[12] with zero mean     : 397.7557
##  ARIMA(3,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(3,0,2)            with zero mean     : 414.8562
##  ARIMA(3,0,2)            with non-zero mean : Inf
##  ARIMA(4,0,0)            with zero mean     : 410.6725
##  ARIMA(4,0,0)            with non-zero mean : 413.0451
##  ARIMA(4,0,0)(0,0,1)[12] with zero mean     : 405.1537
##  ARIMA(4,0,0)(0,0,1)[12] with non-zero mean : 406.9253
##  ARIMA(4,0,0)(1,0,0)[12] with zero mean     : 401.4077
##  ARIMA(4,0,0)(1,0,0)[12] with non-zero mean : 403.4552
##  ARIMA(4,0,1)            with zero mean     : 412.1209
##  ARIMA(4,0,1)            with non-zero mean : 413.2104
##  ARIMA(5,0,0)            with zero mean     : 413.309
##  ARIMA(5,0,0)            with non-zero mean : 415.8131
## 
## 
## 
##  Best model: ARIMA(2,0,2)(1,0,0)[12] with zero mean
modelautoarima_pm10
## Series: data_train_sarima_dss 
## ARIMA(2,0,2)(1,0,0)[12] with zero mean 
## 
## Coefficients:
##          ar1      ar2      ma1     ma2     sar1
##       1.0242  -0.5768  -1.6626  0.7982  -0.6385
## s.e.  0.2733   0.1546   0.4364  0.3682   0.1265
## 
## sigma^2 = 185.2:  log likelihood = -191.1
## AIC=394.21   AICc=396.31   BIC=405.31
Box.test(residuals(modelautoarima_pm10), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(modelautoarima_pm10)
## X-squared = 6.3132, df = 12, p-value = 0.8995

e. Fit Model 4

# Fit Model 4
fitmodel4 <- Arima (data_train_sarima_dss,
                    order = c(2,1,1),
                    seasonal = c(2,1,0),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel4)
## 
## z test of coefficients:
## 
##      Estimate Std. Error z value  Pr(>|z|)    
## ar1  -0.86886    0.20765 -4.1843  2.86e-05 ***
## ar2  -0.54219    0.15438 -3.5121 0.0004445 ***
## ma1   0.64062    0.23621  2.7121 0.0066863 ** 
## sar1 -0.97259    0.28860 -3.3700 0.0007517 ***
## sar2 -0.26083    0.26405 -0.9878 0.3232517    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel4)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,1,1)(2,1,0)[12]
## Q* = 13.023, df = 4, p-value = 0.01116
## 
## Model df: 5.   Total lags used: 9
ggtsdisplay(fitmodel4$residuals)

summary(fitmodel4)
## Series: data_train_sarima_dss 
## ARIMA(2,1,1)(2,1,0)[12] 
## 
## Coefficients:
##           ar1      ar2     ma1     sar1     sar2
##       -0.8689  -0.5422  0.6406  -0.9726  -0.2608
## s.e.   0.2076   0.1544  0.2362   0.2886   0.2641
## 
## sigma^2 = 864:  log likelihood = -167.14
## AIC=346.28   AICc=349.4   BIC=355.44
## 
## Training set error measures:
##                      ME     RMSE      MAE      MPE     MAPE      MASE
## Training set -0.6798028 23.08848 16.51712 44.02543 212.1902 0.5786779
##                     ACF1
## Training set -0.08432469
Box.test(residuals(fitmodel4), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel4)
## X-squared = 14.037, df = 12, p-value = 0.2984

Berdasarkan fit model yang ke 4 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.01116 dimana nilai signifikan < 0,05 dan nilai AIC = 346.28.

f. Fit Model 5

# Fit Model 5
fitmodel5 <- Arima (data_train_sarima_dss,
                    order = c(2,0,1),
                    seasonal = c(2,1,0),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel5)
## 
## z test of coefficients:
## 
##        Estimate Std. Error z value  Pr(>|z|)    
## ar1    0.525532   0.152693  3.4418 0.0005780 ***
## ar2   -0.543956   0.145341 -3.7426 0.0001821 ***
## ma1   -0.999929   0.142701 -7.0072 2.432e-12 ***
## sar1  -1.291136   0.201142 -6.4190 1.372e-10 ***
## sar2  -0.508354   0.190437 -2.6694 0.0075984 ** 
## drift  0.035659   0.021500  1.6585 0.0972078 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel5)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,0,1)(2,1,0)[12] with drift
## Q* = 9.586, df = 4, p-value = 0.04801
## 
## Model df: 5.   Total lags used: 9
ggtsdisplay(fitmodel5$residuals)

summary(fitmodel5)
## Series: data_train_sarima_dss 
## ARIMA(2,0,1)(2,1,0)[12] with drift 
## 
## Coefficients:
##          ar1      ar2      ma1     sar1     sar2   drift
##       0.5255  -0.5440  -0.9999  -1.2911  -0.5084  0.0357
## s.e.  0.1527   0.1453   0.1427   0.2011   0.1904  0.0215
## 
## sigma^2 = 219.7:  log likelihood = -155.08
## AIC=324.17   AICc=328.31   BIC=335.05
## 
## Training set error measures:
##                      ME     RMSE      MAE      MPE     MAPE     MASE       ACF1
## Training set 0.02863318 11.64419 8.217975 56.41629 94.66392 0.287917 -0.0536813
Box.test(residuals(fitmodel5), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel5)
## X-squared = 11.875, df = 12, p-value = 0.4558

Berdasarkan fit model yang ke 5 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.04801 dimana nilai signifikan < 0,05 dan nilai AIC = 324.17.

hasil_df <- data.frame(
  id = c(1:6),
  Model = c("Model1(2,2,0)(0,0,1)", "Model2(2,2,1)(0,0,1)", "Model3(2,2,1)(0,1,1)", "Model4(2,1,1)(2,1,0)", "Model5(2,0,1)(2,1,0)","AutoArima(2,0,2)(1,0,0)"),
  AIC = c(fitmodel1$aic, fitmodel2$aic, fitmodel3$aic, fitmodel4$aic, fitmodel5$aic, modelautoarima_pm10$aic),
  BIC = c(fitmodel1$bic, fitmodel2$bic, fitmodel3$bic, fitmodel4$bic, fitmodel4$bic, modelautoarima_pm10$bic),
   stringsAsFactors = FALSE
)
hasil_df
##   id                   Model      AIC      BIC
## 1  1    Model1(2,2,0)(0,0,1) 453.3803 460.6070
## 2  2    Model2(2,2,1)(0,0,1) 430.8677 439.9010
## 3  3    Model3(2,2,1)(0,1,1) 352.8649 360.3474
## 4  4    Model4(2,1,1)(2,1,0) 346.2841 355.4423
## 5  5    Model5(2,0,1)(2,1,0) 324.1661 355.4423
## 6  6 AutoArima(2,0,2)(1,0,0) 394.2055 405.3064

Berdasarkan modelautoarima didapatkan model (2,0,2)(1,0,0) dengan nilai AIC = 394.21. Sehingga dapat disimpulkan bahwa performa fitmodel1 dengan nilai AIC = 453.38, fitmodel2 dengan nilai AIC = 430.87, dan fitmodel3 dengan nilai AIC = 352.86, dan fitmodel4 dengan nilai AIC 346.28, dan fitmodel5 dengan nilai AIC 324.17. Berdasarkan keenam model tersebut, maka perfomansi model fitmodel5 yang terbaik yaitu model (2,1,1)(2,1,0) dengan nilai AIC sebesar 346.28 dan nilai p-value untuk keseluruhan signitifkan.

v. Forecasting dengan data latih

# Menggunakan fitmodel3
fcast <- forecast(fitmodel5, h=12)
fcast
##          Point Forecast     Lo 80      Hi 80      Lo 95    Hi 95
## Jan 2021     -3.2209641 -22.83627 16.3943421 -33.219986 26.77806
## Feb 2021    -21.7053384 -42.88822 -0.5224611 -54.101754 10.69108
## Mar 2021     13.9068342 -11.99573 39.8093941 -25.707713 53.52138
## Apr 2021     37.5068705  11.37875 63.6349909  -2.452641 77.46638
## May 2021     -6.4965536 -33.37031 20.3771983 -47.596410 34.60330
## Jun 2021    -19.6890074 -47.05858  7.6805636 -61.547154 22.16914
## Jul 2021     -8.8015313 -36.17920 18.5761413 -50.672068 33.06901
## Aug 2021     -1.1496477 -28.71224 26.4129420 -43.302991 41.00370
## Sep 2021     11.6044076 -15.98851 39.1973288 -30.595324 53.80414
## Oct 2021     -4.4684787 -32.08138 23.1444259 -46.698772 37.76181
## Nov 2021     16.1236689 -11.51789 43.7652304 -26.150452 58.39779
## Dec 2021     -0.8808157 -28.52248 26.7608536 -43.155101 41.39347
autoplot(fcast)

# membuat prediksi untuk data uji dengan menggunakan model terbaik
predictSarima <- predict(fcast, data_test_sarima)
autoplot(predictSarima)

# visualisasi hasil forecast dari model multiplicative
data_test_sarima %>% 
  autoplot()+
  autolayer(modelautoarima_pm10$fitted, series = "Auto-Arima(2,0,1)(0,0,1)")+
  autolayer(data_test_sarima, series = "data test") +
  autolayer(fitmodel1$fitted, series = "Model-1(2,2,0)(0,0,1)")+
  autolayer(fitmodel2$fitted, series = "Model-2(2,2,1)(0,0,1)")+
  autolayer(fitmodel3$fitted, series = "Model-3(2,2,1)(0,1,1)")+
  autolayer(fitmodel4$fitted, series = "Model-4(2,1,1)(2,1,0)")+
  autolayer(fitmodel5$fitted, series = "Model-5(2,0,1)(2,1,0)")+
  autolayer(predictSarima$mean, series = "forecast")

vi. Evaluasi Model

# Mean squared error (MSE)
MSESarima <- mean((data_test_sarima - predictSarima$mean)^2)
MSESarima
## [1] 5302.34
# Root mean squared error (RMSE)
RMSESarima <- sqrt(MSESarima)
RMSESarima
## [1] 72.81717
# Mean absolute error (MAE)
MAESarima <- mean(abs(data_test_sarima - predictSarima$mean))
MAESarima
## [1] 68.27255
# Mean absolute percentage error (MAPE)
MAPESarima <- mean(abs(data_test_sarima - predictSarima$mean) / data_test_sarima)
MAPESarima
## [1] 0.9664829

b. Model Prediksi SO2

Pengujian akan dilakukan pada data df_dki_4 dengan menggunakan uji Augmented Dickey-Fuller (ADF) dan Kwiatkowski Phillips Schmidt Shin (KPSS). ADF Test Test ini digunakan untuk memahami apakah deret tersebut stationer atau tidak. Ada 2 hipotesis yang bisa dikembangkan. H0: deret waktu tidak stationer dan memiliki beberapa struktur tergantung waktu H1: deret waktu stationer dan tidak memiliki beberapa struktur tergantung waktu dengan nilai p-value < 0,05 sehingga HO ditolak, H1 diterima

KPSS test H0 dan H1 untuk uji KPSS berlawanan dengan uji ADF, sehingga hipotesis dalam KPSS adalah H0: deret tren stationer H1: deret tren tidak stationer dengan nilai p-value < 0,05 sehingga HO diterima, H1 ditolak

adf.test(df_dki_4$so2)
## Warning in adf.test(df_dki_4$so2): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  df_dki_4$so2
## Dickey-Fuller = -4.2526, Lag order = 12, p-value = 0.01
## alternative hypothesis: stationary
kpss.test(df_dki_4$so2, null = "Level")
## Warning in kpss.test(df_dki_4$so2, null = "Level"): p-value smaller than
## printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  df_dki_4$so2
## KPSS Level = 2.361, Truncation lag parameter = 8, p-value = 0.01
#differensiasi data_so2 pada stasiun DKI4
df_dki_4_diff_so2 <- diff(df_dki_4$so2)
#dropna dari data yang sudah di-differensiasi
df_dki_4_diff_so2 <- df_dki_4_diff_so2[!is.na(df_dki_4_diff_so2)]
#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(df_dki_4_diff_so2), value = df_dki_4_diff_so2), aes(x = date, y = value)) +
  geom_line(color = "blue") +
  ggtitle("Stationary timeseries")+
  theme(plot.title = element_text(hjust = 0.5))+
  scale_x_continuous(name = "Hari",
                     breaks = seq(0, length(df_dki_4_diff_so2), by = 365))+ #periode 365 hari
  scale_y_continuous(name = "Nilai")+
  theme(axis.text.x=element_text(angle=60,hjust=1))+
  theme_minimal()

Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.

i. Data Dekomposisi

decom_ts_so2 <- ts(data = Data.SPKU$so2, start = c(2016,1), end = c(2021,12), frequency = 12)
# Classical Decomposition
decom_ts_so2 %>% decompose(type = "multiplicative") %>%
  autoplot() + xlab("Year") +
  ggtitle("Multiplicative Decomposition of SO2")

decom_ts_so2 %>% decompose(type = "additive") %>%
  autoplot() + xlab("Year") +
  ggtitle("Additive Decomposition of SO2")

ts_decom_so2 <- decompose(decom_ts_so2)
ts_decom_table_so2 <- data.frame(seasonal = ts_decom_so2$seasonal, trend = ts_decom_so2$trend, random = ts_decom_so2$random)
ts_decom_table_so2 <- na.omit(ts_decom_table_so2)
descr(ts_decom_table_so2)
## 
## seasonal
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -3.0986 -1.8382 -0.6028  0.0000  1.2493  4.5931 
## 
## trend
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   7.125  18.260  26.292  26.068  33.823  42.750 
## 
## random
##       Min.    1st Qu.     Median       Mean    3rd Qu.       Max. 
## -10.909722  -3.032639   0.436111  -0.001389   3.759028  10.206944
head(ts_decom_table_so2)
##       seasonal    trend     random
## 7  -0.06527778 41.66667  6.3986111
## 8  -2.54027778 42.66667  0.8736111
## 9   1.18472222 42.75000 -3.9347222
## 10  0.73472222 42.75000 -2.4847222
## 11 -3.09861111 42.54167  0.5569444
## 12 -1.14027778 41.37500  1.7652778
ts_decom_so2$seasonal
##              Jan         Feb         Mar         Apr         May         Jun
## 2016 -2.38194444 -1.65694444  4.59305556  1.44305556  4.51805556 -1.59027778
## 2017 -2.38194444 -1.65694444  4.59305556  1.44305556  4.51805556 -1.59027778
## 2018 -2.38194444 -1.65694444  4.59305556  1.44305556  4.51805556 -1.59027778
## 2019 -2.38194444 -1.65694444  4.59305556  1.44305556  4.51805556 -1.59027778
## 2020 -2.38194444 -1.65694444  4.59305556  1.44305556  4.51805556 -1.59027778
## 2021 -2.38194444 -1.65694444  4.59305556  1.44305556  4.51805556 -1.59027778
##              Jul         Aug         Sep         Oct         Nov         Dec
## 2016 -0.06527778 -2.54027778  1.18472222  0.73472222 -3.09861111 -1.14027778
## 2017 -0.06527778 -2.54027778  1.18472222  0.73472222 -3.09861111 -1.14027778
## 2018 -0.06527778 -2.54027778  1.18472222  0.73472222 -3.09861111 -1.14027778
## 2019 -0.06527778 -2.54027778  1.18472222  0.73472222 -3.09861111 -1.14027778
## 2020 -0.06527778 -2.54027778  1.18472222  0.73472222 -3.09861111 -1.14027778
## 2021 -0.06527778 -2.54027778  1.18472222  0.73472222 -3.09861111 -1.14027778
plot(ts_decom_so2$seasonal)

ts_decom_so2$figure
##  [1] -2.38194444 -1.65694444  4.59305556  1.44305556  4.51805556 -1.59027778
##  [7] -0.06527778 -2.54027778  1.18472222  0.73472222 -3.09861111 -1.14027778
plot(ts_decom_so2$figure,
     type = 'b',
     xlab = 'Month',
     ylab = 'Seasonality Index',
     col = 'blue',
     las = 2
)

#adjustment decomposition data
ts_decom_adj_so2 <- decom_ts_so2 - ts_decom_so2$seasonal
plot(ts_decom_adj_so2)

ts_decom_adj_so2
##            Jan       Feb       Mar       Apr       May       Jun       Jul
## 2016 21.381944 43.656944 37.406944 42.556944 40.481944 45.590278 48.065278
## 2017 45.381944 43.656944 39.406944 40.556944 37.481944 20.590278 20.065278
## 2018 24.381944 24.656944 27.406944 22.556944 23.481944 27.590278 27.065278
## 2019  3.381944  6.656944  5.406944  2.556944  7.481944  5.590278  5.065278
## 2020 19.381944 17.656944 27.406944 30.556944 28.481944 34.590278 33.065278
## 2021 37.381944 36.656944 29.406944 32.556944 30.481944 36.590278 38.065278
##            Aug       Sep       Oct       Nov       Dec
## 2016 43.540278 38.815278 40.265278 43.098611 43.140278
## 2017 20.540278 25.815278 20.265278 27.098611 31.140278
## 2018 29.540278 21.815278 23.265278  5.098611  5.140278
## 2019  4.540278 14.815278 16.265278 20.098611 17.140278
## 2020 35.540278 31.815278 32.265278 36.098611 34.140278
## 2021 38.540278 37.815278 35.265278 15.098611 12.140278
descr(ts_decom_adj_so2)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   2.557  20.090  28.944  27.389  37.426  48.065
str(ts_decom_adj_so2)
##  Time-Series [1:72] from 2016 to 2022: 21.4 43.7 37.4 42.6 40.5 ...
df_data_so2 <- as.data.frame(ts_decom_adj_so2)
df_data_so2
##            x
## 1  21.381944
## 2  43.656944
## 3  37.406944
## 4  42.556944
## 5  40.481944
## 6  45.590278
## 7  48.065278
## 8  43.540278
## 9  38.815278
## 10 40.265278
## 11 43.098611
## 12 43.140278
## 13 45.381944
## 14 43.656944
## 15 39.406944
## 16 40.556944
## 17 37.481944
## 18 20.590278
## 19 20.065278
## 20 20.540278
## 21 25.815278
## 22 20.265278
## 23 27.098611
## 24 31.140278
## 25 24.381944
## 26 24.656944
## 27 27.406944
## 28 22.556944
## 29 23.481944
## 30 27.590278
## 31 27.065278
## 32 29.540278
## 33 21.815278
## 34 23.265278
## 35  5.098611
## 36  5.140278
## 37  3.381944
## 38  6.656944
## 39  5.406944
## 40  2.556944
## 41  7.481944
## 42  5.590278
## 43  5.065278
## 44  4.540278
## 45 14.815278
## 46 16.265278
## 47 20.098611
## 48 17.140278
## 49 19.381944
## 50 17.656944
## 51 27.406944
## 52 30.556944
## 53 28.481944
## 54 34.590278
## 55 33.065278
## 56 35.540278
## 57 31.815278
## 58 32.265278
## 59 36.098611
## 60 34.140278
## 61 37.381944
## 62 36.656944
## 63 29.406944
## 64 32.556944
## 65 30.481944
## 66 36.590278
## 67 38.065278
## 68 38.540278
## 69 37.815278
## 70 35.265278
## 71 15.098611
## 72 12.140278
# Konversi data menjadi data time series menggunakan data dekomposisi time series 
dataset_so2 <- decom_ts_so2
plot(dataset_so2)

ggtsdisplay(dataset_so2)

BoxCox.lambda(dataset_so2)
## [1] 0.778712
# Membagi data menjadi data latih dan data uji
data_train_sarima_so2 <- head(dataset_so2, 5*12) # ambil data 5 tahun 2016-2020
data_test_sarima_so2 <- tail(dataset_so2, length(dataset_so2)-length(data_train_sarima_so2)) #ambil data 1 tahun terakhir
data_train_sarima_so2 %>% 
  decompose() %>% 
  autoplot()

plot(data_train_sarima_so2)

length(data_train_sarima_so2)
## [1] 60
length(data_test_sarima_so2)
## [1] 12

ii. Mengidentifikasi Diferensi

a. Mengidentifikasi Diferensi musiman order 1

data_train_sarima_ds_so2 <- diff(data_train_sarima_so2, differences = 1, lag = 12)
adf.test(data_train_sarima_ds_so2)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  data_train_sarima_ds_so2
## Dickey-Fuller = -2.5915, Lag order = 3, p-value = 0.3379
## alternative hypothesis: stationary

Dari hasil diatas bisa disimpulkan bahwa data belum stationer karena nilai p-value > 0,05 yaitu sebesar 0,3379.

b. Mengidentifikasi Diferensi non-musiman order 1

data_train_sarima_dss_so2 <- diff(data_train_sarima_ds_so2, differences = 1)
adf.test(data_train_sarima_dss_so2)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  data_train_sarima_dss_so2
## Dickey-Fuller = -2.5717, Lag order = 3, p-value = 0.3462
## alternative hypothesis: stationary

Dari hasil diatas juga bisa disimpulkan bahwa data masih belum stationer karena nilai p-value < 0,05 yaitu sebesar 0,3462.

c. Mengidentifikasi Diferensi non-musiman order 2

data_train_sarima_dss2_so2 <- diff(data_train_sarima_ds_so2, differences = 2)
adf.test(data_train_sarima_dss2_so2)
## Warning in adf.test(data_train_sarima_dss2_so2): p-value smaller than printed
## p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  data_train_sarima_dss2_so2
## Dickey-Fuller = -4.6512, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationary

Dari hasil diatas bisa disimpulkan bahwa data sudah stationer karena nilai p-value < 0,05 yaitu sebesar 0,01.

iii. Mengidentifikasi kemungkinan model yang tepat

par(mfrow = c(2,1))
acf(data_train_sarima_dss2_so2, lag.max = 36)
pacf(data_train_sarima_dss2_so2, lag.max = 36)

data_train_sarima_dss2_so2
##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2017          26  -6   3 -21  19   8   5 -17  11   0
## 2018 -13  11   5 -13  10  17 -21   2 -15  20 -32  21
## 2019   9  -2  -7   6   2 -10   6  -3  21 -18  22 -25
## 2020   7  -9  16  -5 -13  15  -9   4 -17  13   1   1

iv. Fit Model

Menentukan model prediksi yang terbaik yang dapat dilihat dari nilai performansi Akaike Information Criteria (AIC) dan nilai signifikan (p-value). Model yang lebih baik akan memiliki nilai AIC yang lebih rendah

a. Fit Model 1

# Fit Model 1
fitmodel1_so2 <- Arima (data_train_sarima_dss2_so2,
                    order = c(2,2,0),
                    seasonal = c(0,0,1),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel1_so2)
## 
## z test of coefficients:
## 
##      Estimate Std. Error z value  Pr(>|z|)    
## ar1  -1.27831    0.13241 -9.6539 < 2.2e-16 ***
## ar2  -0.56043    0.13282 -4.2195 2.448e-05 ***
## sma1 -0.99995    0.32142 -3.1110  0.001864 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel1_so2)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,0)(0,0,1)[12]
## Q* = 25.03, df = 6, p-value = 0.0003372
## 
## Model df: 3.   Total lags used: 9
ggtsdisplay(fitmodel1_so2$residuals)

summary(fitmodel1_so2)
## Series: data_train_sarima_dss2_so2 
## ARIMA(2,2,0)(0,0,1)[12] 
## 
## Coefficients:
##           ar1      ar2     sma1
##       -1.2783  -0.5604  -1.0000
## s.e.   0.1324   0.1328   0.3214
## 
## sigma^2 = 226.3:  log likelihood = -190.25
## AIC=388.51   AICc=389.54   BIC=395.65
## 
## Training set error measures:
##                    ME     RMSE      MAE MPE MAPE      MASE       ACF1
## Training set 1.228845 14.20261 11.59047 Inf  Inf 0.5131199 -0.2472438
Box.test(residuals(fitmodel1_so2), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel1_so2)
## X-squared = 29.703, df = 12, p-value = 0.003094

Berdasarkan hasil diatas bisa dilihat bahwa, semua nilai signifikan. Secara keseluruhan dari model sudah cukup signifikan dengan nilai p-value 0.0003372 dimana nilai signifikan < 0,05 dan nilai AIC = 388.51. Sekarang kita akan lakukan fit model yang kedua dengan tujuan untuk mendapatkan nilai yang lebih baik.

b. Fit Model 2

# Fit Model 2
fitmodel2_so2 <- Arima (data_train_sarima_dss2_so2,
                    order = c(2,2,1),
                    seasonal = c(0,0,1),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel2_so2)
## 
## z test of coefficients:
## 
##       Estimate Std. Error  z value  Pr(>|z|)    
## ar1  -1.097089   0.143722  -7.6334 2.286e-14 ***
## ar2  -0.442428   0.142275  -3.1097  0.001873 ** 
## ma1  -0.999997   0.082113 -12.1783 < 2.2e-16 ***
## sma1 -0.999999   0.357136  -2.8000  0.005109 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel2_so2)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,1)(0,0,1)[12]
## Q* = 12.281, df = 5, p-value = 0.03113
## 
## Model df: 4.   Total lags used: 9
ggtsdisplay(fitmodel2_so2$residuals)

summary(fitmodel2_so2)
## Series: data_train_sarima_dss2_so2 
## ARIMA(2,2,1)(0,0,1)[12] 
## 
## Coefficients:
##           ar1      ar2      ma1     sma1
##       -1.0971  -0.4424  -1.0000  -1.0000
## s.e.   0.1437   0.1423   0.0821   0.3571
## 
## sigma^2 = 106.3:  log likelihood = -176.18
## AIC=362.36   AICc=363.93   BIC=371.28
## 
## Training set error measures:
##                    ME    RMSE      MAE MPE MAPE      MASE       ACF1
## Training set 1.679021 9.61404 7.514711 Inf  Inf 0.3326825 -0.1160142
Box.test(residuals(fitmodel2_so2), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel2_so2)
## X-squared = 15.796, df = 12, p-value = 0.2008

Berdasarkan fit model yang ke 2 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.03113 dimana nilai signifikan < 0,05 dan nilai AIC 362.36. Kita akan lanjutkan melakukan fit model yang ke 3.

c. Fit Model 3

# Fit Model 3
fitmodel3_so2 <- Arima (data_train_sarima_dss2_so2,
                    order = c(2,2,1),
                    seasonal = c(0,1,1),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel3_so2)
## 
## z test of coefficients:
## 
##      Estimate Std. Error z value  Pr(>|z|)    
## ar1  -1.00143    0.16597 -6.0337 1.602e-09 ***
## ar2  -0.33560    0.16392 -2.0473  0.040624 *  
## ma1  -0.99439    0.10651 -9.3362 < 2.2e-16 ***
## sma1 -0.93866    0.32053 -2.9284  0.003407 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel3_so2)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,1)(0,1,1)[12]
## Q* = 20.602, df = 5, p-value = 0.0009631
## 
## Model df: 4.   Total lags used: 9
ggtsdisplay(fitmodel3_so2$residuals)

summary(fitmodel3_so2)
## Series: data_train_sarima_dss2_so2 
## ARIMA(2,2,1)(0,1,1)[12] 
## 
## Coefficients:
##           ar1      ar2      ma1     sma1
##       -1.0014  -0.3356  -0.9944  -0.9387
## s.e.   0.1660   0.1639   0.1065   0.3205
## 
## sigma^2 = 372.5:  log likelihood = -150.63
## AIC=311.27   AICc=313.57   BIC=318.59
## 
## Training set error measures:
##                     ME     RMSE      MAE MPE MAPE      MASE       ACF1
## Training set -1.551791 15.05785 9.760913 Inf  Inf 0.4321237 -0.1435246
Box.test(residuals(fitmodel3_so2), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel3_so2)
## X-squared = 26.179, df = 12, p-value = 0.01012

Berdasarkan fit model yang ke 3 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.0009631 dimana nilai signifikan < 0,05 dan nilai AIC = 311.27.

d. Menentukan model terbaik dengan auto.arima

# Menentukan model terbaik
modelautoarima_so2 <- auto.arima(
  data_train_sarima_dss2_so2,
  stepwise = FALSE,
  approximation = FALSE,
  trace = TRUE)
## 
##  ARIMA(0,0,0)            with zero mean     : 375.2681
##  ARIMA(0,0,0)            with non-zero mean : 377.3866
##  ARIMA(0,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,0)(1,0,0)[12] with zero mean     : 359.1428
##  ARIMA(0,0,0)(1,0,0)[12] with non-zero mean : 361.3227
##  ARIMA(0,0,0)(1,0,1)[12] with zero mean     : 359.1305
##  ARIMA(0,0,0)(1,0,1)[12] with non-zero mean : 361.3908
##  ARIMA(0,0,1)            with zero mean     : 346.6276
##  ARIMA(0,0,1)            with non-zero mean : Inf
##  ARIMA(0,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,1)(1,0,0)[12] with zero mean     : 330.9567
##  ARIMA(0,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(0,0,1)(1,0,1)[12] with zero mean     : 331.3201
##  ARIMA(0,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,2)            with zero mean     : 348.2584
##  ARIMA(0,0,2)            with non-zero mean : Inf
##  ARIMA(0,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,2)(1,0,0)[12] with zero mean     : 331.2814
##  ARIMA(0,0,2)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(0,0,2)(1,0,1)[12] with zero mean     : 331.5982
##  ARIMA(0,0,2)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)            with zero mean     : 350.1749
##  ARIMA(0,0,3)            with non-zero mean : Inf
##  ARIMA(0,0,3)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,3)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)(1,0,0)[12] with zero mean     : 333.5608
##  ARIMA(0,0,3)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)(1,0,1)[12] with zero mean     : 333.823
##  ARIMA(0,0,3)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,4)            with zero mean     : 352.255
##  ARIMA(0,0,4)            with non-zero mean : 354.808
##  ARIMA(0,0,4)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,4)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,4)(1,0,0)[12] with zero mean     : 335.9837
##  ARIMA(0,0,4)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(0,0,5)            with zero mean     : Inf
##  ARIMA(0,0,5)            with non-zero mean : Inf
##  ARIMA(1,0,0)            with zero mean     : 356.8724
##  ARIMA(1,0,0)            with non-zero mean : 359.0636
##  ARIMA(1,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,0)(1,0,0)[12] with zero mean     : 339.8911
##  ARIMA(1,0,0)(1,0,0)[12] with non-zero mean : 342.0016
##  ARIMA(1,0,0)(1,0,1)[12] with zero mean     : 339.8431
##  ARIMA(1,0,0)(1,0,1)[12] with non-zero mean : 342.1056
##  ARIMA(1,0,1)            with zero mean     : 348.069
##  ARIMA(1,0,1)            with non-zero mean : Inf
##  ARIMA(1,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,1)(1,0,0)[12] with zero mean     : 330.9429
##  ARIMA(1,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(1,0,1)(1,0,1)[12] with zero mean     : 331.1196
##  ARIMA(1,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)            with zero mean     : 348.9332
##  ARIMA(1,0,2)            with non-zero mean : Inf
##  ARIMA(1,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)(1,0,0)[12] with zero mean     : 333.048
##  ARIMA(1,0,2)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)(1,0,1)[12] with zero mean     : 333.4168
##  ARIMA(1,0,2)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,3)            with zero mean     : 350.9598
##  ARIMA(1,0,3)            with non-zero mean : Inf
##  ARIMA(1,0,3)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,3)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,3)(1,0,0)[12] with zero mean     : 335.6981
##  ARIMA(1,0,3)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(1,0,4)            with zero mean     : 351.4079
##  ARIMA(1,0,4)            with non-zero mean : Inf
##  ARIMA(2,0,0)            with zero mean     : 356.7415
##  ARIMA(2,0,0)            with non-zero mean : 359.0339
##  ARIMA(2,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,0)(1,0,0)[12] with zero mean     : 338.802
##  ARIMA(2,0,0)(1,0,0)[12] with non-zero mean : 340.9107
##  ARIMA(2,0,0)(1,0,1)[12] with zero mean     : 338.4364
##  ARIMA(2,0,0)(1,0,1)[12] with non-zero mean : 340.7104
##  ARIMA(2,0,1)            with zero mean     : 349.7962
##  ARIMA(2,0,1)            with non-zero mean : Inf
##  ARIMA(2,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,1)(1,0,0)[12] with zero mean     : 333.2989
##  ARIMA(2,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(2,0,1)(1,0,1)[12] with zero mean     : 333.5477
##  ARIMA(2,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,2)            with zero mean     : 351.166
##  ARIMA(2,0,2)            with non-zero mean : Inf
##  ARIMA(2,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,2)(1,0,0)[12] with zero mean     : 335.6995
##  ARIMA(2,0,2)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(2,0,3)            with zero mean     : Inf
##  ARIMA(2,0,3)            with non-zero mean : Inf
##  ARIMA(3,0,0)            with zero mean     : 349.3028
##  ARIMA(3,0,0)            with non-zero mean : 351.737
##  ARIMA(3,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(3,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(3,0,0)(1,0,0)[12] with zero mean     : 335.8938
##  ARIMA(3,0,0)(1,0,0)[12] with non-zero mean : 338.0871
##  ARIMA(3,0,0)(1,0,1)[12] with zero mean     : 336.9049
##  ARIMA(3,0,0)(1,0,1)[12] with non-zero mean : 339.2666
##  ARIMA(3,0,1)            with zero mean     : 351.9973
##  ARIMA(3,0,1)            with non-zero mean : Inf
##  ARIMA(3,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(3,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(3,0,1)(1,0,0)[12] with zero mean     : 335.5751
##  ARIMA(3,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(3,0,2)            with zero mean     : 353.4478
##  ARIMA(3,0,2)            with non-zero mean : Inf
##  ARIMA(4,0,0)            with zero mean     : 351.8198
##  ARIMA(4,0,0)            with non-zero mean : 354.3852
##  ARIMA(4,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(4,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(4,0,0)(1,0,0)[12] with zero mean     : 337.4894
##  ARIMA(4,0,0)(1,0,0)[12] with non-zero mean : 339.6895
##  ARIMA(4,0,1)            with zero mean     : 354.4732
##  ARIMA(4,0,1)            with non-zero mean : 357.1783
##  ARIMA(5,0,0)            with zero mean     : 354.4464
##  ARIMA(5,0,0)            with non-zero mean : 357.1468
## 
## 
## 
##  Best model: ARIMA(1,0,1)(1,0,0)[12] with zero mean
modelautoarima_so2
## Series: data_train_sarima_dss2_so2 
## ARIMA(1,0,1)(1,0,0)[12] with zero mean 
## 
## Coefficients:
##           ar1      ma1     sar1
##       -0.2705  -0.8467  -0.6437
## s.e.   0.1698   0.1069   0.1081
## 
## sigma^2 = 57.26:  log likelihood = -160.98
## AIC=329.97   AICc=330.94   BIC=337.28
Box.test(residuals(modelautoarima_so2), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(modelautoarima_so2)
## X-squared = 6.3444, df = 12, p-value = 0.8977

e. Fit Model 4

# Fit Model 4
fitmodel4_so2 <- Arima (data_train_sarima_dss2_so2,
                    order = c(2,1,1),
                    seasonal = c(2,1,0),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel4_so2)
## 
## z test of coefficients:
## 
##      Estimate Std. Error z value  Pr(>|z|)    
## ar1  -0.75700    0.17781 -4.2572 2.070e-05 ***
## ar2  -0.23232    0.17959 -1.2936    0.1958    
## ma1  -1.00000    0.13662 -7.3196 2.487e-13 ***
## sar1 -1.14249    0.20157 -5.6681 1.444e-08 ***
## sar2 -0.47105    0.25094 -1.8771    0.0605 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel4_so2)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,1,1)(2,1,0)[12]
## Q* = 10.958, df = 4, p-value = 0.02704
## 
## Model df: 5.   Total lags used: 9
ggtsdisplay(fitmodel4_so2$residuals)

summary(fitmodel4_so2)
## Series: data_train_sarima_dss2_so2 
## ARIMA(2,1,1)(2,1,0)[12] 
## 
## Coefficients:
##           ar1      ar2      ma1     sar1     sar2
##       -0.7570  -0.2323  -1.0000  -1.1425  -0.4710
## s.e.   0.1778   0.1796   0.1366   0.2016   0.2509
## 
## sigma^2 = 139.3:  log likelihood = -137.37
## AIC=286.74   AICc=289.97   BIC=295.72
## 
## Training set error measures:
##                    ME     RMSE      MAE  MPE MAPE     MASE        ACF1
## Training set 1.434256 9.208141 6.226831 -Inf  Inf 0.275667 -0.03669682
Box.test(residuals(fitmodel4_so2), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel4_so2)
## X-squared = 12.207, df = 12, p-value = 0.4292

Berdasarkan fit model yang ke 4 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.02704 dimana nilai signifikan < 0,05 dan nilai AIC = 286.74.

hasil_df_so2 <- data.frame(
  id = c(1:5),
  Model = c("Model1(2,2,0)(0,0,1)", "Model2(2,2,1)(0,0,1)", "Model3(2,2,1)(0,1,1)", "Model4(2,1,1)(2,1,0)","AutoArima(1,0,1)(1,0,0)"),
  AIC = c(fitmodel1_so2$aic, fitmodel2_so2$aic, fitmodel3_so2$aic, fitmodel4_so2$aic, modelautoarima_so2$aic),
  BIC = c(fitmodel1_so2$bic, fitmodel2_so2$bic, fitmodel3_so2$bic, fitmodel4_so2$bic, modelautoarima_so2$bic),
   stringsAsFactors = FALSE
)
hasil_df_so2
##   id                   Model      AIC      BIC
## 1  1    Model1(2,2,0)(0,0,1) 388.5097 395.6464
## 2  2    Model2(2,2,1)(0,0,1) 362.3555 371.2765
## 3  3    Model3(2,2,1)(0,1,1) 311.2653 318.5939
## 4  4    Model4(2,1,1)(2,1,0) 286.7426 295.7216
## 5  5 AutoArima(1,0,1)(1,0,0) 329.9673 337.2819

Berdasarkan modelautoarima didapatkan model (2,0,1)(0,0,1) dengan nilai AIC = 329.97. Sehingga dapat disimpulkan bahwa performa fitmodel1 dengan nilai AIC = 388.51, fitmodel2 dengan nilai AIC = 362.36 dan fitmodel3 dengan nilai AIC = 311.27, dan fitmodel4 dengan nilai AIC 286.74. Berdasarkan kelima model tersebut, maka perfomansi model fitmodel4 yang terbaik yaitu model (2,1,1)(2,1,0) dengan nilai AIC sebesar 286.74 dan nilai p-value untuk keseluruhan signitifkan.

v. Forecasting dengan data latih

# Menggunakan fitmodel4
fcast_so2 <- forecast(fitmodel4_so2, h=12)
fcast_so2
##          Point Forecast      Lo 80    Hi 80     Lo 95    Hi 95
## Jan 2021      6.0077824  -9.662712 21.67828 -17.95817 29.97374
## Feb 2021      2.8488400 -16.147722 21.84540 -26.20389 31.90157
## Mar 2021     -5.3301637 -25.133131 14.47280 -35.61619 24.95586
## Apr 2021     -1.0998995 -20.904018 18.70422 -31.38768 29.18789
## May 2021      7.0764327 -12.722241 26.87511 -23.20303 37.35589
## Jun 2021     -1.0612086 -20.879338 18.75692 -31.37042 29.24801
## Jul 2021     -5.0031087 -24.814920 14.80870 -35.30266 25.29644
## Aug 2021     -2.0514197 -21.866937 17.76410 -32.35664 28.25380
## Sep 2021      9.0856107 -10.729372 28.90059 -21.21879 39.39001
## Oct 2021     -4.9205620 -24.735179 14.89406 -35.22440 25.38328
## Nov 2021     -0.8320406 -20.647069 18.98299 -31.13651 29.47243
## Dec 2021     -7.4287025 -27.243511 12.38611 -37.73284 22.87543
autoplot(fcast_so2)

# membuat prediksi untuk data uji dengan menggunakan model terbaik
predictSarima_so2 <- predict(fcast_so2, data_test_sarima_so2)
autoplot(predictSarima_so2)

# visualisasi hasil forecast dari model multiplicative
data_test_sarima_so2 %>% 
  autoplot()+
  autolayer(modelautoarima_so2$fitted, series = "Auto-Arima(1,0,1)(1,0,0)")+
  autolayer(data_test_sarima_so2, series = "data test") +
  autolayer(fitmodel1_so2$fitted, series = "Model-1(2,2,0)(0,0,1)")+
  autolayer(fitmodel2_so2$fitted, series = "Model-2(2,2,1)(0,0,1)")+
  autolayer(fitmodel3_so2$fitted, series = "Model-3(2,2,1)(0,1,1)")+
  autolayer(fitmodel4_so2$fitted, series = "Model-4(2,1,1)(2,1,0)")+
  autolayer(predictSarima_so2$mean, series = "forecast")

vi. Evaluasi Model

# Mean squared error (MSE)
MSESarima_so2 <- mean((data_test_sarima_so2 - predictSarima_so2$mean)^2)
MSESarima_so2
## [1] 1092.006
# Root mean squared error (RMSE)
RMSESarima_so2 <- sqrt(MSESarima_so2)
RMSESarima_so2
## [1] 33.04551
# Mean absolute error (MAE)
MAESarima_so2 <- mean(abs(data_test_sarima_so2 - predictSarima_so2$mean))
MAESarima_so2
## [1] 31.89237
# Mean absolute percentage error (MAPE)
MAPESarima_so2 <- mean(abs(data_test_sarima_so2 - predictSarima_so2$mean) / data_test_sarima_so2)
MAPESarima_so2
## [1] 1.050104

c. Model Prediksi CO

Pengujian akan dilakukan pada data df_dki_4 dengan menggunakan uji Augmented Dickey-Fuller (ADF) dan Kwiatkowski Phillips Schmidt Shin (KPSS). ADF Test Test ini digunakan untuk memahami apakah deret tersebut stationer atau tidak. Ada 2 hipotesis yang bisa dikembangkan. H0: deret waktu tidak stationer dan memiliki beberapa struktur tergantung waktu H1: deret waktu stationer dan tidak memiliki beberapa struktur tergantung waktu dengan nilai p-value < 0,05 sehingga HO ditolak, H1 diterima

KPSS test H0 dan H1 untuk uji KPSS berlawanan dengan uji ADF, sehingga hipotesis dalam KPSS adalah H0: deret tren stationer H1: deret tren tidak stationer dengan nilai p-value < 0,05 sehingga HO diterima, H1 ditolak

adf.test(df_dki_4$co)
## Warning in adf.test(df_dki_4$co): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  df_dki_4$co
## Dickey-Fuller = -6.5446, Lag order = 12, p-value = 0.01
## alternative hypothesis: stationary
kpss.test(df_dki_4$co, null = "Level")
## Warning in kpss.test(df_dki_4$co, null = "Level"): p-value greater than printed
## p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  df_dki_4$co
## KPSS Level = 0.1816, Truncation lag parameter = 8, p-value = 0.1
#differensiasi data_so2 pada stasiun DKI4
df_dki_4_diff_co <- diff(df_dki_4$co)
#dropna dari data yang sudah di-differensiasi
df_dki_4_diff_co <- df_dki_4_diff_co[!is.na(df_dki_4_diff_co)]
#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(df_dki_4_diff_co), value = df_dki_4_diff_co), aes(x = date, y = value)) +
  geom_line(color = "blue") +
  ggtitle("Stationary timeseries")+
  theme(plot.title = element_text(hjust = 0.5))+
  scale_x_continuous(name = "Hari",
                     breaks = seq(0, length(df_dki_4_diff_co), by = 365))+ #periode 365 hari
  scale_y_continuous(name = "Nilai")+
  theme(axis.text.x=element_text(angle=60,hjust=1))+
  theme_minimal()

Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.

i. Data Dekomposisi

decom_ts_co <- ts(data = Data.SPKU$co, start = c(2016,1), end = c(2021,12), frequency = 12)
# Classical Decomposition
decom_ts_co %>% decompose(type = "multiplicative") %>%
  autoplot() + xlab("Year") +
  ggtitle("Multiplicative Decomposition of CO")

decom_ts_co %>% decompose(type = "additive") %>%
  autoplot() + xlab("Year") +
  ggtitle("Additive Decomposition of CO")

ts_decom_co <- decompose(decom_ts_co)
ts_decom_table_co <- data.frame(seasonal = ts_decom_co$seasonal, trend = ts_decom_co$trend, random = ts_decom_co$random)
ts_decom_table_co <- na.omit(ts_decom_table_co)
descr(ts_decom_table_co)
## 
## seasonal
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -5.4722 -2.0472  0.4028  0.0000  2.6340  3.9361 
## 
## trend
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   10.29   18.57   24.77   23.81   30.05   34.04 
## 
## random
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## -12.9361  -4.9153  -0.6653   0.1222   5.5514  14.6806
head(ts_decom_table_co)
##     seasonal    trend    random
## 7  -2.622222 30.41667  3.205556
## 8  -4.180556 31.16667  4.013889
## 9  -1.855556 31.75000 -4.894444
## 10  2.627778 31.75000  3.622222
## 11  3.936111 31.20833 -3.144444
## 12  2.652778 31.45833  5.888889
ts_decom_co$seasonal
##             Jan        Feb        Mar        Apr        May        Jun
## 2016  3.4361111 -0.3555556  1.0277778  0.4944444 -5.4722222  0.3111111
## 2017  3.4361111 -0.3555556  1.0277778  0.4944444 -5.4722222  0.3111111
## 2018  3.4361111 -0.3555556  1.0277778  0.4944444 -5.4722222  0.3111111
## 2019  3.4361111 -0.3555556  1.0277778  0.4944444 -5.4722222  0.3111111
## 2020  3.4361111 -0.3555556  1.0277778  0.4944444 -5.4722222  0.3111111
## 2021  3.4361111 -0.3555556  1.0277778  0.4944444 -5.4722222  0.3111111
##             Jul        Aug        Sep        Oct        Nov        Dec
## 2016 -2.6222222 -4.1805556 -1.8555556  2.6277778  3.9361111  2.6527778
## 2017 -2.6222222 -4.1805556 -1.8555556  2.6277778  3.9361111  2.6527778
## 2018 -2.6222222 -4.1805556 -1.8555556  2.6277778  3.9361111  2.6527778
## 2019 -2.6222222 -4.1805556 -1.8555556  2.6277778  3.9361111  2.6527778
## 2020 -2.6222222 -4.1805556 -1.8555556  2.6277778  3.9361111  2.6527778
## 2021 -2.6222222 -4.1805556 -1.8555556  2.6277778  3.9361111  2.6527778
plot(ts_decom_co$seasonal)

ts_decom_co$figure
##  [1]  3.4361111 -0.3555556  1.0277778  0.4944444 -5.4722222  0.3111111
##  [7] -2.6222222 -4.1805556 -1.8555556  2.6277778  3.9361111  2.6527778
plot(ts_decom_co$figure,
     type = 'b',
     xlab = 'Month',
     ylab = 'Seasonality Index',
     col = 'blue',
     las = 2
)

#adjustment decomposition data
ts_decom_adj_co <- decom_ts_co - ts_decom_co$seasonal
plot(ts_decom_adj_co)

ts_decom_adj_co
##            Jan       Feb       Mar       Apr       May       Jun       Jul
## 2016 23.563889 26.355556 17.972222 31.505556 29.472222 32.688889 33.622222
## 2017 37.563889 30.355556 27.972222 21.505556 26.472222 41.688889 17.622222
## 2018  6.563889 12.355556 14.972222 25.505556 20.472222 16.688889 19.622222
## 2019 38.563889 29.355556 45.972222 40.505556 27.472222 28.688889 26.622222
## 2020 27.563889 35.355556 10.972222  7.505556 14.472222  5.688889 26.622222
## 2021  9.563889 11.355556 17.972222 21.505556 26.472222 21.688889 22.622222
##            Aug       Sep       Oct       Nov       Dec
## 2016 35.180556 26.855556 35.372222 28.063889 37.347222
## 2017 28.180556 22.855556 28.372222 21.063889 18.347222
## 2018 17.180556 21.855556 24.372222 33.063889 20.347222
## 2019 29.180556 40.855556 31.372222 35.063889 40.347222
## 2020 13.180556  9.855556  2.372222  4.063889  4.347222
## 2021 21.180556 18.855556 11.372222 24.063889 19.347222
descr(ts_decom_adj_co)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   2.372  17.885  24.218  23.819  29.693  45.972
str(ts_decom_adj_co)
##  Time-Series [1:72] from 2016 to 2022: 23.6 26.4 18 31.5 29.5 ...
df_data_co <- as.data.frame(ts_decom_adj_co)
df_data_co
##            x
## 1  23.563889
## 2  26.355556
## 3  17.972222
## 4  31.505556
## 5  29.472222
## 6  32.688889
## 7  33.622222
## 8  35.180556
## 9  26.855556
## 10 35.372222
## 11 28.063889
## 12 37.347222
## 13 37.563889
## 14 30.355556
## 15 27.972222
## 16 21.505556
## 17 26.472222
## 18 41.688889
## 19 17.622222
## 20 28.180556
## 21 22.855556
## 22 28.372222
## 23 21.063889
## 24 18.347222
## 25  6.563889
## 26 12.355556
## 27 14.972222
## 28 25.505556
## 29 20.472222
## 30 16.688889
## 31 19.622222
## 32 17.180556
## 33 21.855556
## 34 24.372222
## 35 33.063889
## 36 20.347222
## 37 38.563889
## 38 29.355556
## 39 45.972222
## 40 40.505556
## 41 27.472222
## 42 28.688889
## 43 26.622222
## 44 29.180556
## 45 40.855556
## 46 31.372222
## 47 35.063889
## 48 40.347222
## 49 27.563889
## 50 35.355556
## 51 10.972222
## 52  7.505556
## 53 14.472222
## 54  5.688889
## 55 26.622222
## 56 13.180556
## 57  9.855556
## 58  2.372222
## 59  4.063889
## 60  4.347222
## 61  9.563889
## 62 11.355556
## 63 17.972222
## 64 21.505556
## 65 26.472222
## 66 21.688889
## 67 22.622222
## 68 21.180556
## 69 18.855556
## 70 11.372222
## 71 24.063889
## 72 19.347222
# Konversi data menjadi data time series menggunakan data dekomposisi time series 
dataset_co <- decom_ts_co
plot(dataset_co)

ggtsdisplay(dataset_co)

BoxCox.lambda(dataset_co)
## [1] 1.213639
# Membagi data menjadi data latih dan data uji
data_train_sarima_co <- head(dataset_co, 5*12) # ambil data 5 tahun 2016-2020
data_test_sarima_co <- tail(dataset_co, length(dataset_co)-length(data_train_sarima_co)) #ambil data 1 tahun terakhir
data_train_sarima_co %>% 
  decompose() %>% 
  autoplot()

plot(data_train_sarima_co)

length(data_train_sarima_co)
## [1] 60
length(data_test_sarima_co)
## [1] 12

ii. Mengidentifikasi Diferensi

a. Mengidentifikasi Diferensi musiman order 1

data_train_sarima_ds_co <- diff(data_train_sarima_co, differences = 1, lag = 12)
adf.test(data_train_sarima_ds_co)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  data_train_sarima_ds_co
## Dickey-Fuller = -1.4495, Lag order = 3, p-value = 0.794
## alternative hypothesis: stationary

Dari hasil diatas bisa disimpulkan bahwa data belum stationer karena nilai p-value > 0,05 yaitu sebesar 0,794.

b. Mengidentifikasi Diferensi non-musiman order 1

data_train_sarima_dss_co <- diff(data_train_sarima_ds_co, differences = 1)
adf.test(data_train_sarima_dss_co)
## Warning in adf.test(data_train_sarima_dss_co): p-value smaller than printed
## p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  data_train_sarima_dss_co
## Dickey-Fuller = -4.785, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationary

Dari hasil diatas bisa disimpulkan bahwa data sudah stationer karena nilai p-value < 0,05 yaitu sebesar 0,01.

iii. Mengidentifikasi kemungkinan model yang tepat

par(mfrow = c(2,1))
acf(data_train_sarima_dss_co, lag.max = 36)
pacf(data_train_sarima_dss_co, lag.max = 36)

data_train_sarima_dss_co
##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2017     -10   6 -20   7  12 -25   9   3  -3   0 -12
## 2018 -12  13   5  17 -10 -19  27 -13  10  -3  16 -10
## 2019  30 -15  14 -16  -8   5  -5   5   7 -12  -5  18
## 2020 -31  17 -41   2  20 -10  23 -16 -15   2  -2  -5

iv. Fit Model

Menentukan model prediksi yang terbaik yang dapat dilihat dari nilai performansi Akaike Information Criteria (AIC) dan nilai signifikan (p-value). Model yang lebih baik akan memiliki nilai AIC yang lebih rendah

a. Fit Model 1

# Fit Model 1
fitmodel1_co <- Arima (data_train_sarima_dss_co,
                    order = c(2,2,0),
                    seasonal = c(0,0,1),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel1_co)
## 
## z test of coefficients:
## 
##      Estimate Std. Error  z value  Pr(>|z|)    
## ar1  -1.34725    0.11362 -11.8571 < 2.2e-16 ***
## ar2  -0.64657    0.11002  -5.8770 4.179e-09 ***
## sma1 -0.99997    0.45138  -2.2154   0.02674 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel1_co)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,0)(0,0,1)[12]
## Q* = 17.959, df = 6, p-value = 0.006336
## 
## Model df: 3.   Total lags used: 9
ggtsdisplay(fitmodel1_co$residuals)

summary(fitmodel1_co)
## Series: data_train_sarima_dss_co 
## ARIMA(2,2,0)(0,0,1)[12] 
## 
## Coefficients:
##           ar1      ar2     sma1
##       -1.3472  -0.6466  -1.0000
## s.e.   0.1136   0.1100   0.4514
## 
## sigma^2 = 234.5:  log likelihood = -195.41
## AIC=398.82   AICc=399.82   BIC=406.05
## 
## Training set error measures:
##                     ME     RMSE      MAE  MPE MAPE     MASE       ACF1
## Training set 0.2147893 14.47623 11.57239 -Inf  Inf 0.521279 -0.1622588
Box.test(residuals(fitmodel1_co), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel1_co)
## X-squared = 23.285, df = 12, p-value = 0.0254

Berdasarkan hasil diatas bisa dilihat bahwa, semua nilai signifikan. Secara keseluruhan dari model sudah cukup signifikan dengan nilai p-value 0.006336 dimana nilai signifikan < 0,05 dan nilai AIC = 398.82. Sekarang kita akan lakukan fit model yang kedua dengan tujuan untuk mendapatkan nilai yang lebih baik.

b. Fit Model 2

# Fit Model 2
fitmodel2_co <- Arima (data_train_sarima_dss_co,
                    order = c(2,2,1),
                    seasonal = c(0,0,1),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel2_co)
## 
## z test of coefficients:
## 
##       Estimate Std. Error  z value  Pr(>|z|)    
## ar1  -1.036245   0.134362  -7.7123 1.235e-14 ***
## ar2  -0.406241   0.132854  -3.0578   0.00223 ** 
## ma1  -0.999998   0.079209 -12.6248 < 2.2e-16 ***
## sma1 -0.999870   0.610627  -1.6374   0.10154    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel2_co)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,1)(0,0,1)[12]
## Q* = 18.468, df = 5, p-value = 0.002414
## 
## Model df: 4.   Total lags used: 9
ggtsdisplay(fitmodel2_co$residuals)

summary(fitmodel2_co)
## Series: data_train_sarima_dss_co 
## ARIMA(2,2,1)(0,0,1)[12] 
## 
## Coefficients:
##           ar1      ar2      ma1     sma1
##       -1.0362  -0.4062  -1.0000  -0.9999
## s.e.   0.1344   0.1329   0.0792   0.6106
## 
## sigma^2 = 134.5:  log likelihood = -185.25
## AIC=380.51   AICc=382.05   BIC=389.54
## 
## Training set error measures:
##                      ME     RMSE      MAE  MPE MAPE      MASE        ACF1
## Training set -0.1075231 10.83336 9.312942 -Inf  Inf 0.4195019 -0.05351463
Box.test(residuals(fitmodel2_co), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel2_co)
## X-squared = 25.464, df = 12, p-value = 0.01277

Berdasarkan fit model yang ke 2 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.002414 dimana nilai signifikan < 0,05 dan nilai AIC 380.51. Kita akan lanjutkan melakukan fit model yang ke 3.

c. Fit Model 3

# Fit Model 3
fitmodel3_co <- Arima (data_train_sarima_dss_co,
                    order = c(2,2,1),
                    seasonal = c(0,1,1),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel3_co)
## 
## z test of coefficients:
## 
##      Estimate Std. Error z value  Pr(>|z|)    
## ar1  -1.05653    0.14855 -7.1121 1.143e-12 ***
## ar2  -0.47416    0.14384 -3.2964 0.0009794 ***
## ma1  -0.99432    0.10631 -9.3526 < 2.2e-16 ***
## sma1 -0.79315    0.43457 -1.8251 0.0679834 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel3_co)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,1)(0,1,1)[12]
## Q* = 10.72, df = 5, p-value = 0.05722
## 
## Model df: 4.   Total lags used: 9
ggtsdisplay(fitmodel3_co$residuals)

summary(fitmodel3_co)
## Series: data_train_sarima_dss_co 
## ARIMA(2,2,1)(0,1,1)[12] 
## 
## Coefficients:
##           ar1      ar2      ma1     sma1
##       -1.0565  -0.4742  -0.9943  -0.7931
## s.e.   0.1486   0.1438   0.1063   0.4346
## 
## sigma^2 = 455.1:  log likelihood = -156.54
## AIC=323.08   AICc=325.31   BIC=330.57
## 
## Training set error measures:
##                    ME     RMSE      MAE  MPE MAPE     MASE        ACF1
## Training set 1.312411 16.75764 11.36016 -Inf  Inf 0.511719 -0.07765291
Box.test(residuals(fitmodel3_co), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel3_co)
## X-squared = 17.137, df = 12, p-value = 0.1445

Berdasarkan fit model yang ke 3 didapatkan bahwa model belum memenuhi taraf signifikasi dengan nilai p-value 0.05722 dimana nilai signifikan > 0,05 dan nilai AIC = 323.08.

d. Menentukan model terbaik dengan auto.arima

# Menentukan model terbaik
modelautoarima_co <- auto.arima(
  data_train_sarima_dss_co,
  stepwise = FALSE,
  approximation = FALSE,
  trace = TRUE)
## 
##  ARIMA(0,0,0)            with zero mean     : 390.9457
##  ARIMA(0,0,0)            with non-zero mean : 392.8971
##  ARIMA(0,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,0)(1,0,0)[12] with zero mean     : 374.7442
##  ARIMA(0,0,0)(1,0,0)[12] with non-zero mean : 376.9764
##  ARIMA(0,0,0)(1,0,1)[12] with zero mean     : 376.9946
##  ARIMA(0,0,0)(1,0,1)[12] with non-zero mean : 379.332
##  ARIMA(0,0,1)            with zero mean     : 380.0845
##  ARIMA(0,0,1)            with non-zero mean : 381.4727
##  ARIMA(0,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,1)(1,0,0)[12] with zero mean     : 368.1401
##  ARIMA(0,0,1)(1,0,0)[12] with non-zero mean : 370.1728
##  ARIMA(0,0,1)(1,0,1)[12] with zero mean     : 367.7959
##  ARIMA(0,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,2)            with zero mean     : 381.7669
##  ARIMA(0,0,2)            with non-zero mean : 383.3624
##  ARIMA(0,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,2)(1,0,0)[12] with zero mean     : 370.4775
##  ARIMA(0,0,2)(1,0,0)[12] with non-zero mean : 372.6193
##  ARIMA(0,0,2)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,2)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)            with zero mean     : 381.1093
##  ARIMA(0,0,3)            with non-zero mean : 382.8134
##  ARIMA(0,0,3)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,3)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)(1,0,0)[12] with zero mean     : 365.9
##  ARIMA(0,0,3)(1,0,0)[12] with non-zero mean : 368.3837
##  ARIMA(0,0,3)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,3)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,4)            with zero mean     : 383.6178
##  ARIMA(0,0,4)            with non-zero mean : 385.4496
##  ARIMA(0,0,4)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,4)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,4)(1,0,0)[12] with zero mean     : 368.5065
##  ARIMA(0,0,4)(1,0,0)[12] with non-zero mean : 371.1394
##  ARIMA(0,0,5)            with zero mean     : Inf
##  ARIMA(0,0,5)            with non-zero mean : Inf
##  ARIMA(1,0,0)            with zero mean     : 379.3863
##  ARIMA(1,0,0)            with non-zero mean : 381.0887
##  ARIMA(1,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,0)(1,0,0)[12] with zero mean     : 368.6077
##  ARIMA(1,0,0)(1,0,0)[12] with non-zero mean : 370.8004
##  ARIMA(1,0,0)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,0)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,1)            with zero mean     : 381.2584
##  ARIMA(1,0,1)            with non-zero mean : 382.9216
##  ARIMA(1,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,1)(1,0,0)[12] with zero mean     : 370.4001
##  ARIMA(1,0,1)(1,0,0)[12] with non-zero mean : 372.544
##  ARIMA(1,0,1)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)            with zero mean     : 383.6364
##  ARIMA(1,0,2)            with non-zero mean : 385.3842
##  ARIMA(1,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)(1,0,0)[12] with zero mean     : 372.6088
##  ARIMA(1,0,2)(1,0,0)[12] with non-zero mean : 374.9425
##  ARIMA(1,0,2)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,2)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,3)            with zero mean     : 383.62
##  ARIMA(1,0,3)            with non-zero mean : 385.4499
##  ARIMA(1,0,3)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,3)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,3)(1,0,0)[12] with zero mean     : 368.5309
##  ARIMA(1,0,3)(1,0,0)[12] with non-zero mean : 371.1527
##  ARIMA(1,0,4)            with zero mean     : 384.0946
##  ARIMA(1,0,4)            with non-zero mean : 386.0623
##  ARIMA(2,0,0)            with zero mean     : 381.2402
##  ARIMA(2,0,0)            with non-zero mean : 382.9375
##  ARIMA(2,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,0)(1,0,0)[12] with zero mean     : 370.9967
##  ARIMA(2,0,0)(1,0,0)[12] with non-zero mean : 373.2971
##  ARIMA(2,0,0)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,0)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,1)            with zero mean     : 383.4108
##  ARIMA(2,0,1)            with non-zero mean : 385.0905
##  ARIMA(2,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,1)(1,0,0)[12] with zero mean     : 372.1394
##  ARIMA(2,0,1)(1,0,0)[12] with non-zero mean : 374.4372
##  ARIMA(2,0,1)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,2)            with zero mean     : 385.9219
##  ARIMA(2,0,2)            with non-zero mean : 387.7271
##  ARIMA(2,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,2)(1,0,0)[12] with zero mean     : 374.2774
##  ARIMA(2,0,2)(1,0,0)[12] with non-zero mean : 376.7356
##  ARIMA(2,0,3)            with zero mean     : Inf
##  ARIMA(2,0,3)            with non-zero mean : Inf
##  ARIMA(3,0,0)            with zero mean     : 383.4988
##  ARIMA(3,0,0)            with non-zero mean : 385.3572
##  ARIMA(3,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(3,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(3,0,0)(1,0,0)[12] with zero mean     : 372.4806
##  ARIMA(3,0,0)(1,0,0)[12] with non-zero mean : 374.9017
##  ARIMA(3,0,0)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(3,0,0)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(3,0,1)            with zero mean     : 385.3743
##  ARIMA(3,0,1)            with non-zero mean : 387.3854
##  ARIMA(3,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(3,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(3,0,1)(1,0,0)[12] with zero mean     : 372.3648
##  ARIMA(3,0,1)(1,0,0)[12] with non-zero mean : 374.8634
##  ARIMA(3,0,2)            with zero mean     : 387.2143
##  ARIMA(3,0,2)            with non-zero mean : Inf
##  ARIMA(4,0,0)            with zero mean     : 382.4184
##  ARIMA(4,0,0)            with non-zero mean : 384.1581
##  ARIMA(4,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(4,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(4,0,0)(1,0,0)[12] with zero mean     : 367.1282
##  ARIMA(4,0,0)(1,0,0)[12] with non-zero mean : 369.5617
##  ARIMA(4,0,1)            with zero mean     : 384.9508
##  ARIMA(4,0,1)            with non-zero mean : 386.7879
##  ARIMA(5,0,0)            with zero mean     : 384.7559
##  ARIMA(5,0,0)            with non-zero mean : 386.5404
## 
## 
## 
##  Best model: ARIMA(0,0,3)(1,0,0)[12] with zero mean
modelautoarima_co
## Series: data_train_sarima_dss_co 
## ARIMA(0,0,3)(1,0,0)[12] with zero mean 
## 
## Coefficients:
##           ma1     ma2      ma3     sar1
##       -0.4145  0.3246  -0.4880  -0.6824
## s.e.   0.1332  0.1509   0.1265   0.1133
## 
## sigma^2 = 100.8:  log likelihood = -177.22
## AIC=364.44   AICc=365.9   BIC=373.69
Box.test(residuals(modelautoarima_co), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(modelautoarima_co)
## X-squared = 10.066, df = 12, p-value = 0.6102

e. Fit Model 4

# Fit Model 4
fitmodel4_co <- Arima (data_train_sarima_dss_co,
                    order = c(2,1,1),
                    seasonal = c(2,1,0),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel4_co)
## 
## z test of coefficients:
## 
##       Estimate Std. Error z value  Pr(>|z|)    
## ar1  -0.403449   0.189768 -2.1260    0.0335 *  
## ar2  -0.042749   0.170561 -0.2506    0.8021    
## ma1  -0.999992   0.194290 -5.1469 2.648e-07 ***
## sar1 -0.988937   0.228958 -4.3193 1.565e-05 ***
## sar2 -0.332642   0.249252 -1.3346    0.1820    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel4_co)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,1,1)(2,1,0)[12]
## Q* = 10.767, df = 4, p-value = 0.02931
## 
## Model df: 5.   Total lags used: 9
ggtsdisplay(fitmodel4_co$residuals)

summary(fitmodel4_co)
## Series: data_train_sarima_dss_co 
## ARIMA(2,1,1)(2,1,0)[12] 
## 
## Coefficients:
##           ar1      ar2      ma1     sar1     sar2
##       -0.4034  -0.0427  -1.0000  -0.9889  -0.3326
## s.e.   0.1898   0.1706   0.1943   0.2290   0.2493
## 
## sigma^2 = 264.6:  log likelihood = -149.3
## AIC=310.59   AICc=313.71   BIC=319.75
## 
## Training set error measures:
##                     ME     RMSE      MAE MPE MAPE      MASE        ACF1
## Training set -2.585082 12.77864 8.520517 Inf  Inf 0.3838071 -0.07628443
Box.test(residuals(fitmodel4_co), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel4_co)
## X-squared = 13.788, df = 12, p-value = 0.3144

Berdasarkan fit model yang ke 4 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.02931 dimana nilai signifikan < 0,05 dan nilai AIC = 310.59.

hasil_df_co <- data.frame(
  id = c(1:5),
  Model = c("Model1(2,2,0)(0,0,1)", "Model2(2,2,1)(0,0,1)", "Model3(2,2,1)(0,1,1)", "Model4(2,1,1)(2,1,0)","AutoArima(0,0,3)(1,0,0)"),
  AIC = c(fitmodel1_co$aic, fitmodel2_co$aic, fitmodel3_co$aic, fitmodel4_co$aic, modelautoarima_co$aic),
  BIC = c(fitmodel1_co$bic, fitmodel2_co$bic, fitmodel3_co$bic, fitmodel4_co$bic, modelautoarima_co$bic),
   stringsAsFactors = FALSE
)
hasil_df_co
##   id                   Model      AIC      BIC
## 1  1    Model1(2,2,0)(0,0,1) 398.8213 406.0479
## 2  2    Model2(2,2,1)(0,0,1) 380.5074 389.5407
## 3  3    Model3(2,2,1)(0,1,1) 323.0842 330.5667
## 4  4    Model4(2,1,1)(2,1,0) 310.5943 319.7524
## 5  5 AutoArima(0,0,3)(1,0,0) 364.4366 373.6873

Berdasarkan modelautoarima didapatkan model (0,0,3)(1,0,0) dengan nilai AIC = 364.44. Sehingga dapat disimpulkan bahwa performa fitmodel1 dengan nilai AIC = 398.82, fitmodel2 dengan nilai AIC = 380.51 dan fitmodel3 dengan nilai AIC = 323.08, dan fitmodel4 dengan nilai AIC 310.59. Berdasarkan kelima model tersebut, maka perfomansi model fitmodel4 yang terbaik yaitu model (2,1,1)(2,1,0) dengan nilai AIC sebesar 310.59 dan nilai p-value untuk keseluruhan signitifkan.

v. Forecasting dengan data latih

# Menggunakan fitmodel4
fcast_co <- forecast(fitmodel4_co, h=12)
fcast_co
##          Point Forecast     Lo 80    Hi 80     Lo 95    Hi 95
## Jan 2021      10.616373 -10.82855 32.06130 -22.18081 43.41355
## Feb 2021      -6.758666 -29.43855 15.92122 -41.44456 27.92723
## Mar 2021       8.066694 -14.83780 30.97119 -26.96271 43.09610
## Apr 2021      -6.931417 -29.82105 15.95822 -41.93809 28.07526
## May 2021     -10.514685 -33.41050 12.38113 -45.53082 24.50145
## Jun 2021      -5.297309 -28.19188 17.59726 -40.31153 29.71691
## Jul 2021       3.804016 -19.09083 26.69886 -31.21062 38.81866
## Aug 2021      -3.369702 -26.26449 19.52509 -38.38426 31.64485
## Sep 2021       5.604625 -17.29017 28.49942 -29.40995 40.61920
## Oct 2021     -11.001239 -33.89603 11.89356 -46.01581 24.01333
## Nov 2021      -0.131235 -23.02603 22.76356 -35.14580 34.88333
## Dec 2021       6.281683 -16.61311 29.17648 -28.73289 41.29625
autoplot(fcast_co)

# membuat prediksi untuk data uji dengan menggunakan model terbaik
predictSarima_co <- predict(fcast_co, data_test_sarima_co)
autoplot(predictSarima_co)

# visualisasi hasil forecast dari model multiplicative
data_test_sarima_co %>% 
  autoplot()+
  autolayer(modelautoarima_co$fitted, series = "Auto-Arima(0,0,3)(1,0,0)")+
  autolayer(data_test_sarima_co, series = "data test") +
  autolayer(fitmodel1_co$fitted, series = "Model-1(2,2,0)(0,0,1)")+
  autolayer(fitmodel2_co$fitted, series = "Model-2(2,2,1)(0,0,1)")+
  autolayer(fitmodel3_co$fitted, series = "Model-3(2,2,1)(0,1,1)")+
  autolayer(fitmodel4_co$fitted, series = "Model-4(2,1,1)(2,1,0)")+
  autolayer(predictSarima_co$mean, series = "forecast")

vi. Evaluasi Model

# Mean squared error (MSE)
MSESarima_co <- mean((data_test_sarima_co - predictSarima_co$mean)^2)
MSESarima_co
## [1] 457.2098
# Root mean squared error (RMSE)
RMSESarima_co <- sqrt(MSESarima_co)
RMSESarima_co
## [1] 21.38246
# Mean absolute error (MAE)
MAESarima_co <- mean(abs(data_test_sarima_co - predictSarima_co$mean))
MAESarima_co
## [1] 19.63591
# Mean absolute percentage error (MAPE)
MAPESarima_co <- mean(abs(data_test_sarima_co - predictSarima_co$mean) / data_test_sarima_co)
MAPESarima_co
## [1] 1.051088

d. Model Prediksi O3

Pengujian akan dilakukan pada data df_dki_4 dengan menggunakan uji Augmented Dickey-Fuller (ADF) dan Kwiatkowski Phillips Schmidt Shin (KPSS). ADF Test Test ini digunakan untuk memahami apakah deret tersebut stationer atau tidak. Ada 2 hipotesis yang bisa dikembangkan. H0: deret waktu tidak stationer dan memiliki beberapa struktur tergantung waktu H1: deret waktu stationer dan tidak memiliki beberapa struktur tergantung waktu dengan nilai p-value < 0,05 sehingga HO ditolak, H1 diterima

KPSS test H0 dan H1 untuk uji KPSS berlawanan dengan uji ADF, sehingga hipotesis dalam KPSS adalah H0: deret tren stationer H1: deret tren tidak stationer dengan nilai p-value < 0,05 sehingga HO diterima, H1 ditolak

adf.test(df_dki_4$o3)
## Warning in adf.test(df_dki_4$o3): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  df_dki_4$o3
## Dickey-Fuller = -5.1119, Lag order = 12, p-value = 0.01
## alternative hypothesis: stationary
kpss.test(df_dki_4$o3, null = "Level")
## Warning in kpss.test(df_dki_4$o3, null = "Level"): p-value smaller than printed
## p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  df_dki_4$o3
## KPSS Level = 2.9788, Truncation lag parameter = 8, p-value = 0.01
#differensiasi data_so2 pada stasiun DKI4
df_dki_4_diff_o3 <- diff(df_dki_4$o3)
#dropna dari data yang sudah di-differensiasi
df_dki_4_diff_o3 <- df_dki_4_diff_o3[!is.na(df_dki_4_diff_o3)]
#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(df_dki_4_diff_o3), value = df_dki_4_diff_o3), aes(x = date, y = value)) +
  geom_line(color = "blue") +
  ggtitle("Stationary timeseries")+
  theme(plot.title = element_text(hjust = 0.5))+
  scale_x_continuous(name = "Hari",
                     breaks = seq(0, length(df_dki_4_diff_o3), by = 365))+ #periode 365 hari
  scale_y_continuous(name = "Nilai")+
  theme(axis.text.x=element_text(angle=60,hjust=1))+
  theme_minimal()

Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.

i. Data Dekomposisi

decom_ts_o3 <- ts(data = Data.SPKU$o3, start = c(2016,1), end = c(2021,12), frequency = 12)
# Classical Decomposition
decom_ts_o3 %>% decompose(type = "multiplicative") %>%
  autoplot() + xlab("Year") +
  ggtitle("Multiplicative Decomposition of O3")

decom_ts_o3 %>% decompose(type = "additive") %>%
  autoplot() + xlab("Year") +
  ggtitle("Additive Decomposition of O3")

ts_decom_o3 <- decompose(decom_ts_o3)
ts_decom_table_o3 <- data.frame(seasonal = ts_decom_o3$seasonal, trend = ts_decom_o3$trend, random = ts_decom_o3$random)
ts_decom_table_o3 <- na.omit(ts_decom_table_o3)
descr(ts_decom_table_o3)
## 
## seasonal
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -13.787  -2.581   1.180   0.000   4.734   6.797 
## 
## trend
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   42.71   52.61   58.81   57.72   63.88   69.17 
## 
## random
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -25.955 -11.811  -4.501  -1.538   9.897  39.062
head(ts_decom_table_o3)
##        seasonal    trend     random
## 7   -5.36180556 68.66667 -10.304861
## 8  -13.78680556 69.16667 -10.379861
## 9    6.66319444 65.50000 -21.163194
## 10   3.49652778 61.54167 -17.038194
## 11   0.06319444 59.37500 -10.438194
## 12   4.97152778 57.04167  -8.013194
ts_decom_o3$seasonal
##               Jan          Feb          Mar          Apr          May
## 2016   6.79652778   4.65486111  -1.48680556  -1.65347222  -6.65347222
## 2017   6.79652778   4.65486111  -1.48680556  -1.65347222  -6.65347222
## 2018   6.79652778   4.65486111  -1.48680556  -1.65347222  -6.65347222
## 2019   6.79652778   4.65486111  -1.48680556  -1.65347222  -6.65347222
## 2020   6.79652778   4.65486111  -1.48680556  -1.65347222  -6.65347222
## 2021   6.79652778   4.65486111  -1.48680556  -1.65347222  -6.65347222
##               Jun          Jul          Aug          Sep          Oct
## 2016   2.29652778  -5.36180556 -13.78680556   6.66319444   3.49652778
## 2017   2.29652778  -5.36180556 -13.78680556   6.66319444   3.49652778
## 2018   2.29652778  -5.36180556 -13.78680556   6.66319444   3.49652778
## 2019   2.29652778  -5.36180556 -13.78680556   6.66319444   3.49652778
## 2020   2.29652778  -5.36180556 -13.78680556   6.66319444   3.49652778
## 2021   2.29652778  -5.36180556 -13.78680556   6.66319444   3.49652778
##               Nov          Dec
## 2016   0.06319444   4.97152778
## 2017   0.06319444   4.97152778
## 2018   0.06319444   4.97152778
## 2019   0.06319444   4.97152778
## 2020   0.06319444   4.97152778
## 2021   0.06319444   4.97152778
plot(ts_decom_o3$seasonal)

ts_decom_o3$figure
##  [1]   6.79652778   4.65486111  -1.48680556  -1.65347222  -6.65347222
##  [6]   2.29652778  -5.36180556 -13.78680556   6.66319444   3.49652778
## [11]   0.06319444   4.97152778
plot(ts_decom_o3$figure,
     type = 'b',
     xlab = 'Month',
     ylab = 'Seasonality Index',
     col = 'blue',
     las = 2
)

#adjustment decomposition data
ts_decom_adj_o3 <- decom_ts_o3 - ts_decom_o3$seasonal
plot(ts_decom_adj_o3)

ts_decom_adj_o3
##            Jan       Feb       Mar       Apr       May       Jun       Jul
## 2016  24.20347  90.34514 150.48681  88.65347  84.65347  66.70347  58.36181
## 2017  54.20347  72.34514  80.48681  63.65347  57.65347  37.70347  49.36181
## 2018  55.20347  63.34514  87.48681  94.65347  66.65347  54.70347  58.36181
## 2019  31.20347  38.34514  41.48681  50.65347  55.65347  80.70347  67.36181
## 2020  76.20347  68.34514  38.48681  35.65347  54.65347  37.70347  60.36181
## 2021  58.20347  35.34514  31.48681  35.65347  45.65347  68.70347 101.36181
##            Aug       Sep       Oct       Nov       Dec
## 2016  58.78681  44.33681  44.50347  48.93681  49.02847
## 2017  56.78681  96.33681  63.50347  54.93681  65.02847
## 2018  73.78681  71.33681  62.50347  31.93681  35.02847
## 2019  57.78681  39.33681  76.50347 102.93681  68.02847
## 2020  45.78681  34.33681  31.50347  35.93681  56.02847
## 2021  80.78681  63.33681  45.50347  47.93681  32.02847
descr(ts_decom_adj_o3)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   24.20   43.62   57.22   58.99   68.43  150.49
str(ts_decom_adj_o3)
##  Time-Series [1:72] from 2016 to 2022: 24.2 90.3 150.5 88.7 84.7 ...
df_data_o3 <- as.data.frame(ts_decom_adj_o3)
df_data_o3
##            x
## 1   24.20347
## 2   90.34514
## 3  150.48681
## 4   88.65347
## 5   84.65347
## 6   66.70347
## 7   58.36181
## 8   58.78681
## 9   44.33681
## 10  44.50347
## 11  48.93681
## 12  49.02847
## 13  54.20347
## 14  72.34514
## 15  80.48681
## 16  63.65347
## 17  57.65347
## 18  37.70347
## 19  49.36181
## 20  56.78681
## 21  96.33681
## 22  63.50347
## 23  54.93681
## 24  65.02847
## 25  55.20347
## 26  63.34514
## 27  87.48681
## 28  94.65347
## 29  66.65347
## 30  54.70347
## 31  58.36181
## 32  73.78681
## 33  71.33681
## 34  62.50347
## 35  31.93681
## 36  35.02847
## 37  31.20347
## 38  38.34514
## 39  41.48681
## 40  50.65347
## 41  55.65347
## 42  80.70347
## 43  67.36181
## 44  57.78681
## 45  39.33681
## 46  76.50347
## 47 102.93681
## 48  68.02847
## 49  76.20347
## 50  68.34514
## 51  38.48681
## 52  35.65347
## 53  54.65347
## 54  37.70347
## 55  60.36181
## 56  45.78681
## 57  34.33681
## 58  31.50347
## 59  35.93681
## 60  56.02847
## 61  58.20347
## 62  35.34514
## 63  31.48681
## 64  35.65347
## 65  45.65347
## 66  68.70347
## 67 101.36181
## 68  80.78681
## 69  63.33681
## 70  45.50347
## 71  47.93681
## 72  32.02847
# Konversi data menjadi data time series menggunakan data dekomposisi time series 
dataset_o3 <- decom_ts_o3
plot(dataset_o3)

ggtsdisplay(dataset_o3)

BoxCox.lambda(dataset_o3)
## [1] -0.4056633
# Membagi data menjadi data latih dan data uji
data_train_sarima_o3 <- head(dataset_o3, 5*12) # ambil data 5 tahun 2016-2020
data_test_sarima_o3 <- tail(dataset_o3, length(dataset_o3)-length(data_train_sarima_o3)) #ambil data 1 tahun terakhir
data_train_sarima_o3 %>% 
  decompose() %>% 
  autoplot()

plot(data_train_sarima_o3)

length(data_train_sarima_o3)
## [1] 60
length(data_test_sarima_o3)
## [1] 12

ii. Mengidentifikasi Diferensi

a. Mengidentifikasi Diferensi musiman order 1

data_train_sarima_ds_o3 <- diff(data_train_sarima_o3, differences = 1, lag = 12)
adf.test(data_train_sarima_ds_o3)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  data_train_sarima_ds_o3
## Dickey-Fuller = -2.5752, Lag order = 3, p-value = 0.3444
## alternative hypothesis: stationary

Dari hasil diatas bisa disimpulkan bahwa data belum stationer karena nilai p-value > 0,05 yaitu sebesar 0.3444.

b. Mengidentifikasi Diferensi non-musiman order 1

data_train_sarima_dss_o3 <- diff(data_train_sarima_ds_o3, differences = 1)
adf.test(data_train_sarima_dss_o3)
## Warning in adf.test(data_train_sarima_dss_o3): p-value smaller than printed
## p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  data_train_sarima_dss_o3
## Dickey-Fuller = -4.4259, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationary

Dari hasil diatas bisa disimpulkan bahwa data sudah stationer karena nilai p-value < 0,05 yaitu sebesar 0,01.

iii. Mengidentifikasi kemungkinan model yang tepat

par(mfrow = c(2,1))
acf(data_train_sarima_dss_o3, lag.max = 36)
pacf(data_train_sarima_dss_o3, lag.max = 36)

data_train_sarima_dss_o3
##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2017     -48 -52  45  -2  -2  20   7  54 -33 -13  10
## 2018 -15 -10  16  24 -22   8  -8   8 -42  24 -22  -7
## 2019   6  -1 -21   2  33  37 -17 -25 -16  46  57 -38
## 2020  12 -15 -33 -12  14 -42  36  -5   7 -40 -22  55

iv. Fit Model

Menentukan model prediksi yang terbaik yang dapat dilihat dari nilai performansi Akaike Information Criteria (AIC) dan nilai signifikan (p-value). Model yang lebih baik akan memiliki nilai AIC yang lebih rendah

a. Fit Model 1

# Fit Model 1
fitmodel1_o3 <- Arima (data_train_sarima_dss_o3,
                    order = c(2,2,1),
                    seasonal = c(2,0,3),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel1_o3)
## 
## z test of coefficients:
## 
##       Estimate Std. Error  z value  Pr(>|z|)    
## ar1  -0.641729   0.155004  -4.1401 3.472e-05 ***
## ar2  -0.351310   0.165984  -2.1165    0.0343 *  
## ma1  -0.999894   0.077569 -12.8904 < 2.2e-16 ***
## sar1 -1.415880   1.019941  -1.3882    0.1651    
## sar2 -0.740204   1.109548  -0.6671    0.5047    
## sma1  1.386696   2.858127   0.4852    0.6276    
## sma2  0.130052   1.806973   0.0720    0.9426    
## sma3 -0.378113   1.417165  -0.2668    0.7896    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel1_o3)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,1)(2,0,3)[12]
## Q* = 7.7588, df = 3, p-value = 0.05127
## 
## Model df: 8.   Total lags used: 11
ggtsdisplay(fitmodel1_o3$residuals)

summary(fitmodel1_o3)
## Series: data_train_sarima_dss_o3 
## ARIMA(2,2,1)(2,0,3)[12] 
## 
## Coefficients:
##           ar1      ar2      ma1     sar1     sar2    sma1    sma2     sma3
##       -0.6417  -0.3513  -0.9999  -1.4159  -0.7402  1.3867  0.1301  -0.3781
## s.e.   0.1550   0.1660   0.0776   1.0199   1.1095  2.8581  1.8070   1.4172
## 
## sigma^2 = 773.5:  log likelihood = -222.19
## AIC=462.37   AICc=467.52   BIC=478.63
## 
## Training set error measures:
##                     ME     RMSE      MAE      MPE     MAPE     MASE        ACF1
## Training set -4.000731 24.67562 20.13218 174.9326 204.6778 0.570086 -0.07312756
Box.test(residuals(fitmodel1_co), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel1_co)
## X-squared = 23.285, df = 12, p-value = 0.0254

Secara keseluruhan dari model belum memenuhi taraf signifiksi dengan nilai p-value 0.05127 dimana nilai signifikan > 0,05 dan nilai AIC = 462.37. Sekarang kita akan lakukan fit model yang kedua dengan tujuan untuk mendapatkan nilai yang lebih baik.

b. Fit Model 2

# Fit Model 2
fitmodel2_o3 <- Arima (data_train_sarima_dss_o3,
                    order = c(2,2,1),
                    seasonal = c(3,0,2),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel2_o3)
## 
## z test of coefficients:
## 
##         Estimate  Std. Error  z value  Pr(>|z|)    
## ar1  -0.63945263  0.15299243  -4.1796  2.92e-05 ***
## ar2  -0.35149926  0.16632205  -2.1134   0.03457 *  
## ma1  -0.99995014  0.07812739 -12.7990 < 2.2e-16 ***
## sar1 -0.18850787  0.44084054  -0.4276   0.66894    
## sar2  0.40961969  0.46369196   0.8834   0.37703    
## sar3  0.41193511  0.42562349   0.9678   0.33312    
## sma1  0.00018524  4.10480634   0.0000   0.99996    
## sma2 -0.99912337  4.10355693  -0.2435   0.80764    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel2_o3)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,1)(3,0,2)[12]
## Q* = 7.7074, df = 3, p-value = 0.05246
## 
## Model df: 8.   Total lags used: 11
ggtsdisplay(fitmodel2_o3$residuals)

summary(fitmodel2_o3)
## Series: data_train_sarima_dss_o3 
## ARIMA(2,2,1)(3,0,2)[12] 
## 
## Coefficients:
##           ar1      ar2      ma1     sar1    sar2    sar3    sma1     sma2
##       -0.6395  -0.3515  -1.0000  -0.1885  0.4096  0.4119  0.0002  -0.9991
## s.e.   0.1530   0.1663   0.0781   0.4408  0.4637  0.4256  4.1048   4.1036
## 
## sigma^2 = 805.3:  log likelihood = -222.19
## AIC=462.39   AICc=467.53   BIC=478.65
## 
## Training set error measures:
##                     ME     RMSE      MAE     MPE     MAPE      MASE        ACF1
## Training set -4.069676 25.17801 20.51036 178.909 208.9139 0.5807949 -0.07445338
Box.test(residuals(fitmodel2_o3), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel2_o3)
## X-squared = 7.7137, df = 12, p-value = 0.8071

Berdasarkan fit model yang ke 2 didapatkan bahwa secara keseluruhan model masih belum memenuhi tingkat signifikan dengan nilai p-value 0.05246 dimana nilai signifikan < 0,05 dan nilai AIC 462.39. Kita akan lanjutkan melakukan fit model yang ke 3.

c. Fit Model 3

# Fit Model 3
fitmodel3_o3 <- Arima (data_train_sarima_dss_o3,
                    order = c(2,2,1),
                    seasonal = c(3,0,3),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel3_o3)
## 
## z test of coefficients:
## 
##       Estimate Std. Error  z value  Pr(>|z|)    
## ar1  -0.648385   0.155693  -4.1645  3.12e-05 ***
## ar2  -0.354482   0.165593  -2.1407    0.0323 *  
## ma1  -0.999936   0.077649 -12.8777 < 2.2e-16 ***
## sar1 -0.784882   0.751760  -1.0441    0.2965    
## sar2  0.024007   1.008020   0.0238    0.9810    
## sar3  0.554508   0.609884   0.9092    0.3632    
## sma1  0.776882   3.520044   0.2207    0.8253    
## sma2 -0.785360   2.945525  -0.2666    0.7898    
## sma3 -0.923677   3.288818  -0.2809    0.7788    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel3_o3)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,1)(3,0,3)[12]
## Q* = 7.8507, df = 3, p-value = 0.0492
## 
## Model df: 9.   Total lags used: 12
ggtsdisplay(fitmodel3_o3$residuals)

summary(fitmodel3_o3)
## Series: data_train_sarima_dss_o3 
## ARIMA(2,2,1)(3,0,3)[12] 
## 
## Coefficients:
##           ar1      ar2      ma1     sar1   sar2    sar3    sma1     sma2
##       -0.6484  -0.3545  -0.9999  -0.7849  0.024  0.5545  0.7769  -0.7854
## s.e.   0.1557   0.1656   0.0776   0.7518  1.008  0.6099  3.5200   2.9455
##          sma3
##       -0.9237
## s.e.   3.2888
## 
## sigma^2 = 596.5:  log likelihood = -222.15
## AIC=464.29   AICc=470.76   BIC=482.36
## 
## Training set error measures:
##                     ME     RMSE    MAE      MPE     MAPE      MASE        ACF1
## Training set -3.501099 21.37568 17.455 151.0097 177.0381 0.4942758 -0.06929251
Box.test(residuals(fitmodel3_o3), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel3_o3)
## X-squared = 7.8507, df = 12, p-value = 0.7967

Berdasarkan fit model yang ke 3 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.0492 dimana nilai signifikan < 0,05 dan nilai AIC = 464.29.

d. Menentukan model terbaik dengan auto.arima

# Menentukan model terbaik
modelautoarima_o3 <- auto.arima(
  data_train_sarima_dss_o3,
  stepwise = FALSE,
  approximation = FALSE,
  trace = TRUE)
## 
##  ARIMA(0,0,0)            with zero mean     : 449.4329
##  ARIMA(0,0,0)            with non-zero mean : 451.5696
##  ARIMA(0,0,0)(0,0,1)[12] with zero mean     : 445.9954
##  ARIMA(0,0,0)(0,0,1)[12] with non-zero mean : 448.2359
##  ARIMA(0,0,0)(1,0,0)[12] with zero mean     : 447.8881
##  ARIMA(0,0,0)(1,0,0)[12] with non-zero mean : 450.14
##  ARIMA(0,0,0)(1,0,1)[12] with zero mean     : 448.2281
##  ARIMA(0,0,0)(1,0,1)[12] with non-zero mean : 450.5719
##  ARIMA(0,0,1)            with zero mean     : 449.4059
##  ARIMA(0,0,1)            with non-zero mean : 451.6032
##  ARIMA(0,0,1)(0,0,1)[12] with zero mean     : 446.7386
##  ARIMA(0,0,1)(0,0,1)[12] with non-zero mean : 449.0822
##  ARIMA(0,0,1)(1,0,0)[12] with zero mean     : 447.7748
##  ARIMA(0,0,1)(1,0,0)[12] with non-zero mean : 450.1226
##  ARIMA(0,0,1)(1,0,1)[12] with zero mean     : 449.1326
##  ARIMA(0,0,1)(1,0,1)[12] with non-zero mean : 451.5933
##  ARIMA(0,0,2)            with zero mean     : Inf
##  ARIMA(0,0,2)            with non-zero mean : Inf
##  ARIMA(0,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,2)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(0,0,2)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(0,0,2)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,2)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)            with zero mean     : Inf
##  ARIMA(0,0,3)            with non-zero mean : Inf
##  ARIMA(0,0,3)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,3)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(0,0,3)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,3)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,4)            with zero mean     : Inf
##  ARIMA(0,0,4)            with non-zero mean : Inf
##  ARIMA(0,0,4)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,4)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,4)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(0,0,4)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(0,0,5)            with zero mean     : Inf
##  ARIMA(0,0,5)            with non-zero mean : Inf
##  ARIMA(1,0,0)            with zero mean     : 450.666
##  ARIMA(1,0,0)            with non-zero mean : 452.8844
##  ARIMA(1,0,0)(0,0,1)[12] with zero mean     : 447.7187
##  ARIMA(1,0,0)(0,0,1)[12] with non-zero mean : 450.0623
##  ARIMA(1,0,0)(1,0,0)[12] with zero mean     : 449.2885
##  ARIMA(1,0,0)(1,0,0)[12] with non-zero mean : 451.6405
##  ARIMA(1,0,0)(1,0,1)[12] with zero mean     : 450.0858
##  ARIMA(1,0,0)(1,0,1)[12] with non-zero mean : 452.5417
##  ARIMA(1,0,1)            with zero mean     : Inf
##  ARIMA(1,0,1)            with non-zero mean : Inf
##  ARIMA(1,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,1)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(1,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(1,0,1)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)            with zero mean     : Inf
##  ARIMA(1,0,2)            with non-zero mean : Inf
##  ARIMA(1,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(1,0,2)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,2)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,3)            with zero mean     : Inf
##  ARIMA(1,0,3)            with non-zero mean : Inf
##  ARIMA(1,0,3)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,3)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,3)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(1,0,3)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(1,0,4)            with zero mean     : Inf
##  ARIMA(1,0,4)            with non-zero mean : Inf
##  ARIMA(2,0,0)            with zero mean     : 449.7714
##  ARIMA(2,0,0)            with non-zero mean : 452.1048
##  ARIMA(2,0,0)(0,0,1)[12] with zero mean     : 446.6305
##  ARIMA(2,0,0)(0,0,1)[12] with non-zero mean : 449.1161
##  ARIMA(2,0,0)(1,0,0)[12] with zero mean     : 448.0739
##  ARIMA(2,0,0)(1,0,0)[12] with non-zero mean : 450.5565
##  ARIMA(2,0,0)(1,0,1)[12] with zero mean     : 449.1394
##  ARIMA(2,0,0)(1,0,1)[12] with non-zero mean : 451.7498
##  ARIMA(2,0,1)            with zero mean     : Inf
##  ARIMA(2,0,1)            with non-zero mean : Inf
##  ARIMA(2,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,1)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(2,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(2,0,1)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,2)            with zero mean     : Inf
##  ARIMA(2,0,2)            with non-zero mean : Inf
##  ARIMA(2,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,2)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(2,0,2)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(2,0,3)            with zero mean     : Inf
##  ARIMA(2,0,3)            with non-zero mean : Inf
##  ARIMA(3,0,0)            with zero mean     : 451.0173
##  ARIMA(3,0,0)            with non-zero mean : 453.4735
##  ARIMA(3,0,0)(0,0,1)[12] with zero mean     : 448.3216
##  ARIMA(3,0,0)(0,0,1)[12] with non-zero mean : 450.9333
##  ARIMA(3,0,0)(1,0,0)[12] with zero mean     : 449.7163
##  ARIMA(3,0,0)(1,0,0)[12] with non-zero mean : 452.3232
##  ARIMA(3,0,0)(1,0,1)[12] with zero mean     : 450.9581
##  ARIMA(3,0,0)(1,0,1)[12] with non-zero mean : 453.7051
##  ARIMA(3,0,1)            with zero mean     : Inf
##  ARIMA(3,0,1)            with non-zero mean : Inf
##  ARIMA(3,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(3,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(3,0,1)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(3,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(3,0,2)            with zero mean     : Inf
##  ARIMA(3,0,2)            with non-zero mean : Inf
##  ARIMA(4,0,0)            with zero mean     : 453.1764
##  ARIMA(4,0,0)            with non-zero mean : 455.7614
##  ARIMA(4,0,0)(0,0,1)[12] with zero mean     : 449.4195
##  ARIMA(4,0,0)(0,0,1)[12] with non-zero mean : 452.1777
##  ARIMA(4,0,0)(1,0,0)[12] with zero mean     : 451.2603
##  ARIMA(4,0,0)(1,0,0)[12] with non-zero mean : 454.0071
##  ARIMA(4,0,1)            with zero mean     : Inf
##  ARIMA(4,0,1)            with non-zero mean : Inf
##  ARIMA(5,0,0)            with zero mean     : 455.7297
##  ARIMA(5,0,0)            with non-zero mean : 458.4533
## 
## 
## 
##  Best model: ARIMA(0,0,0)(0,0,1)[12] with zero mean
modelautoarima_o3
## Series: data_train_sarima_dss_o3 
## ARIMA(0,0,0)(0,0,1)[12] with zero mean 
## 
## Coefficients:
##          sma1
##       -0.4670
## s.e.   0.1887
## 
## sigma^2 = 678.1:  log likelihood = -220.86
## AIC=445.72   AICc=446   BIC=449.42
Box.test(residuals(modelautoarima_o3), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(modelautoarima_o3)
## X-squared = 3.9311, df = 12, p-value = 0.9846

e. Fit Model 4

# Fit Model 4
fitmodel4_o3 <- Arima (data_train_sarima_dss_co,
                    order = c(0,0,1),
                    seasonal = c(1,0,3),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel4_o3)
## 
## z test of coefficients:
## 
##            Estimate Std. Error z value  Pr(>|z|)    
## ma1       -0.536728   0.136419 -3.9344 8.340e-05 ***
## sar1      -0.974040   0.227386 -4.2836 1.839e-05 ***
## sma1      -0.048866   0.704096 -0.0694    0.9447    
## sma2      -0.915362   0.647243 -1.4142    0.1573    
## sma3      -0.028613   0.297799 -0.0961    0.9235    
## intercept -0.449967   0.400716 -1.1229    0.2615    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel4_o3)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(0,0,1)(1,0,3)[12] with non-zero mean
## Q* = 7.9256, df = 4, p-value = 0.09434
## 
## Model df: 5.   Total lags used: 9
ggtsdisplay(fitmodel4_o3$residuals)

summary(fitmodel4_o3)
## Series: data_train_sarima_dss_co 
## ARIMA(0,0,1)(1,0,3)[12] with non-zero mean 
## 
## Coefficients:
##           ma1     sar1     sma1     sma2     sma3     mean
##       -0.5367  -0.9740  -0.0489  -0.9154  -0.0286  -0.4500
## s.e.   0.1364   0.2274   0.7041   0.6472   0.2978   0.4007
## 
## sigma^2 = 84.31:  log likelihood = -178.54
## AIC=371.07   AICc=373.94   BIC=384.02
## 
## Training set error measures:
##                      ME     RMSE      MAE MPE MAPE      MASE       ACF1
## Training set 0.04611935 8.576106 6.715302 Inf  Inf 0.3024911 -0.0207555
Box.test(residuals(fitmodel4_co), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel4_co)
## X-squared = 13.788, df = 12, p-value = 0.3144

Berdasarkan fit model yang ke 4 didapatkan bahwa model ini juga belum memenuhi tingkat signifikan dengan nilai p-value 0.09434 dimana nilai signifikan > 0,05 dan nilai AIC = 371.07.

f. Fit Model 5

# Fit Model 5
fitmodel5_o3 <- Arima (data_train_sarima_dss_o3,
                    order = c(4,0,1),
                    seasonal = c(1,0,3),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel5_o3)
## 
## z test of coefficients:
## 
##            Estimate Std. Error  z value  Pr(>|z|)    
## ar1        0.616309   0.160346   3.8436 0.0001212 ***
## ar2       -0.163909   0.180002  -0.9106 0.3625099    
## ar3        0.017722   0.191064   0.0928 0.9260992    
## ar4       -0.025968   0.173176  -0.1500 0.8808029    
## ma1       -0.999931   0.073711 -13.5656 < 2.2e-16 ***
## sar1       0.015512   0.769794   0.0202 0.9839229    
## sma1      -0.746197   2.131385  -0.3501 0.7262638    
## sma2       0.297295   2.036060   0.1460 0.8839097    
## sma3       0.538558   1.701643   0.3165 0.7516283    
## intercept -0.145893   0.327182  -0.4459 0.6556642    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel5_o3)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(4,0,1)(1,0,3)[12] with non-zero mean
## Q* = 5.4563, df = 3, p-value = 0.1413
## 
## Model df: 9.   Total lags used: 12
ggtsdisplay(fitmodel5_o3$residuals)

summary(fitmodel5_o3)
## Series: data_train_sarima_dss_o3 
## ARIMA(4,0,1)(1,0,3)[12] with non-zero mean 
## 
## Coefficients:
##          ar1      ar2     ar3      ar4      ma1    sar1     sma1    sma2
##       0.6163  -0.1639  0.0177  -0.0260  -0.9999  0.0155  -0.7462  0.2973
## s.e.  0.1603   0.1800  0.1911   0.1732   0.0737  0.7698   2.1314  2.0361
##         sma3     mean
##       0.5386  -0.1459
## s.e.  1.7016   0.3272
## 
## sigma^2 = 396.2:  log likelihood = -214.49
## AIC=450.97   AICc=458.52   BIC=471.33
## 
## Training set error measures:
##                     ME     RMSE     MAE     MPE     MAPE      MASE        ACF1
## Training set -0.116977 17.66129 14.4229 110.923 130.2003 0.4084156 0.009512273
Box.test(residuals(fitmodel5_o3), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel5_o3)
## X-squared = 5.4563, df = 12, p-value = 0.941

Berdasarkan fit model yang ke 5 didapatkan bahwa model ini juga belum memenuhi tingkat signifikan dengan nilai p-value 0.1413 dimana nilai signifikan > 0,05 dan nilai AIC = 450.97.

hasil_df_o3 <- data.frame(
  id = c(1:6),
  Model = c("Model1(2,2,1)(2,0,3)", "Model2(2,2,1)(3,0,2)", "Model3(2,2,1)(3,0,3)", "Model4(0,0,1)(1,0,3)", "Model5(4,0,1)(1,0,3)","AutoArima(0,0,0)(0,0,1)"),
  AIC = c(fitmodel1_o3$aic, fitmodel2_o3$aic, fitmodel3_o3$aic, fitmodel4_o3$aic, fitmodel5_o3$aic, modelautoarima_o3$aic),
  BIC = c(fitmodel1_o3$bic, fitmodel2_o3$bic, fitmodel3_o3$bic, fitmodel4_o3$bic, fitmodel5_o3$aic, modelautoarima_o3$bic),
   stringsAsFactors = FALSE
)
hasil_df_o3
##   id                   Model      AIC      BIC
## 1  1    Model1(2,2,1)(2,0,3) 462.3726 478.6325
## 2  2    Model2(2,2,1)(3,0,2) 462.3857 478.6456
## 3  3    Model3(2,2,1)(3,0,3) 464.2942 482.3608
## 4  4    Model4(0,0,1)(1,0,3) 371.0721 384.0231
## 5  5    Model5(4,0,1)(1,0,3) 450.9743 450.9743
## 6  6 AutoArima(0,0,0)(0,0,1) 445.7226 449.4229

Berdasarkan modelautoarima didapatkan model (0,0,0)(0,0,1) dengan nilai AIC = 445.72.Sedangkan dari kelima model hanya model ketiga yang memenuhi taraf signifikasi dibawah 0.05 dimana model memiliki nilai AIC sebesar = 464.2942. Sehingga hal ini menunjukkan model yang memiliki perfomansi terbaik yaitu model dari AutoArima dengan nilai AIC sebesar 445.72

v. Forecasting dengan data latih

# Menggunakan model AutoArima
fcast_o3 <- forecast(modelautoarima_o3, h=12)
fcast_o3
##          Point Forecast     Lo 80    Hi 80     Lo 95    Hi 95
## Jan 2021     -5.6104654 -39.01269 27.79176 -56.69476 45.47383
## Feb 2021      9.9655446 -23.41354 43.34463 -41.08336 61.01445
## Mar 2021     20.3011456 -13.07794 53.68023 -30.74776 71.35005
## Apr 2021      1.1583788 -32.22071 34.53747 -49.89053 52.20729
## May 2021    -11.4431169 -44.82220 21.93597 -62.49203 39.60579
## Jun 2021     10.8878202 -22.49127 44.26691 -40.16109 61.93673
## Jul 2021    -13.0794384 -46.45853 20.29965 -64.12835 37.96947
## Aug 2021      6.6926320 -26.68646 40.07172 -44.35628 57.74154
## Sep 2021      2.2588739 -31.12021 35.63796 -48.79003 53.30778
## Oct 2021      7.6125517 -25.76654 40.99164 -43.43636 58.66146
## Nov 2021      0.5662655 -32.81282 33.94535 -50.48264 51.61517
## Dec 2021    -17.1270717 -50.50616 16.25202 -68.17598 33.92184
autoplot(fcast_o3)

# Menggunakan model fitmodel3
fcast_o3_2 <- forecast(fitmodel3_o3, h=12)
fcast_o3_2
##          Point Forecast       Lo 80     Hi 80      Lo 95     Hi 95
## Jan 2021     -7.2660766 -50.0639345  35.53178  -72.71975  58.18760
## Feb 2021     25.6434821 -18.9005234  70.18749  -42.48070  93.76766
## Mar 2021     49.1377217   0.8528712  97.42257  -24.70758 122.98303
## Apr 2021    -11.3470694 -66.3739084  43.67977  -95.50336  72.80922
## May 2021     -9.0338031 -68.4116209  50.34401  -99.84434  81.77673
## Jun 2021      7.7473941 -56.4032022  71.89799  -90.36248 105.85726
## Jul 2021     -0.2343169 -69.6090278  69.14039 -106.33378 105.86515
## Aug 2021     21.7356464 -52.4281243  95.89942  -91.68805 135.15935
## Sep 2021     -5.3452526 -84.4135364  73.72303 -126.26976 115.57925
## Oct 2021     23.9124919 -60.1338427 107.95883 -104.62528 152.45027
## Nov 2021      5.1990178 -83.7293902  94.12743 -130.80525 141.20328
## Dec 2021     15.3540539 -78.4748817 109.18299 -128.14492 158.85303
autoplot(fcast_o3_2)

# membuat prediksi untuk data uji dengan menggunakan model terbaik
predictSarima_o3 <- predict(fcast_o3, data_test_sarima_o3)
autoplot(predictSarima_o3)

# visualisasi hasil forecast dari model multiplicative
data_test_sarima_o3 %>% 
  autoplot()+
  autolayer(modelautoarima_o3$fitted, series = "Auto-Arima(0,0,0)(0,0,1)")+
  autolayer(data_test_sarima_o3, series = "data test") +
  autolayer(fitmodel3_o3$fitted, series = "Model-3(2,2,1)(3,0,3)")+
  autolayer(predictSarima_o3$mean, series = "forecast")

vi. Evaluasi Model

# Mean squared error (MSE)
MSESarima_o3 <- mean((data_test_sarima_o3 - predictSarima_o3$mean)^2)
MSESarima_o3
## [1] 3352.943
# Root mean squared error (RMSE)
RMSESarima_o3 <- sqrt(MSESarima_o3)
RMSESarima_o3
## [1] 57.9046
# Mean absolute error (MAE)
MAESarima_o3 <- mean(abs(data_test_sarima_o3 - predictSarima_o3$mean))
MAESarima_o3
## [1] 52.81807
# Mean absolute percentage error (MAPE)
MAPESarima_o3 <- mean(abs(data_test_sarima_o3 - predictSarima_o3$mean) / data_test_sarima_o3)
MAPESarima_o3
## [1] 0.9638573

e. Model Prediksi CO

Pengujian akan dilakukan pada data df_dki_4 dengan menggunakan uji Augmented Dickey-Fuller (ADF) dan Kwiatkowski Phillips Schmidt Shin (KPSS). ADF Test Test ini digunakan untuk memahami apakah deret tersebut stationer atau tidak. Ada 2 hipotesis yang bisa dikembangkan. H0: deret waktu tidak stationer dan memiliki beberapa struktur tergantung waktu H1: deret waktu stationer dan tidak memiliki beberapa struktur tergantung waktu dengan nilai p-value < 0,05 sehingga HO ditolak, H1 diterima

KPSS test H0 dan H1 untuk uji KPSS berlawanan dengan uji ADF, sehingga hipotesis dalam KPSS adalah H0: deret tren stationer H1: deret tren tidak stationer dengan nilai p-value < 0,05 sehingga HO diterima, H1 ditolak

adf.test(df_dki_4$no2)
## Warning in adf.test(df_dki_4$no2): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  df_dki_4$no2
## Dickey-Fuller = -5.9029, Lag order = 12, p-value = 0.01
## alternative hypothesis: stationary
kpss.test(df_dki_4$no2, null = "Level")
## Warning in kpss.test(df_dki_4$no2, null = "Level"): p-value smaller than
## printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  df_dki_4$no2
## KPSS Level = 1.7018, Truncation lag parameter = 8, p-value = 0.01
#differensiasi data_so2 pada stasiun DKI4
df_dki_4_diff_no2 <- diff(df_dki_4$no2)
#dropna dari data yang sudah di-differensiasi
df_dki_4_diff_no2 <- df_dki_4_diff_no2[!is.na(df_dki_4_diff_no2)]
#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(df_dki_4_diff_no2), value = df_dki_4_diff_no2), aes(x = date, y = value)) +
  geom_line(color = "blue") +
  ggtitle("Stationary timeseries")+
  theme(plot.title = element_text(hjust = 0.5))+
  scale_x_continuous(name = "Hari",
                     breaks = seq(0, length(df_dki_4_diff_no2), by = 365))+ #periode 365 hari
  scale_y_continuous(name = "Nilai")+
  theme(axis.text.x=element_text(angle=60,hjust=1))+
  theme_minimal()

Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.

i. Data Dekomposisi

decom_ts_no2 <- ts(data = Data.SPKU$no2, start = c(2016,1), end = c(2021,12), frequency = 12)
# Classical Decomposition
decom_ts_no2 %>% decompose(type = "multiplicative") %>%
  autoplot() + xlab("Year") +
  ggtitle("Multiplicative Decomposition of NO2")

decom_ts_no2 %>% decompose(type = "additive") %>%
  autoplot() + xlab("Year") +
  ggtitle("Additive Decomposition of NO2")

ts_decom_no2 <- decompose(decom_ts_no2)
ts_decom_table_no2 <- data.frame(seasonal = ts_decom_co$seasonal, trend = ts_decom_no2$trend, random = ts_decom_no2$random)
ts_decom_table_no2 <- na.omit(ts_decom_table_no2)
descr(ts_decom_table_no2)
## 
## seasonal
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -5.4722 -2.0472  0.4028  0.0000  2.6340  3.9361 
## 
## trend
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   3.000   9.698  11.583  10.969  13.844  15.333 
## 
## random
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## -5.75208 -2.48750  0.13958 -0.05208  1.25000 10.18958
head(ts_decom_table_no2)
##     seasonal    trend    random
## 7  -2.622222 3.208333 -3.702083
## 8  -4.180556 3.291667 -1.827083
## 9  -1.855556 3.250000 -1.852083
## 10  2.627778 3.166667 -1.252083
## 11  3.936111 3.000000  1.214583
## 12  2.652778 3.208333  1.356250
ts_decom_no2$seasonal
##              Jan         Feb         Mar         Apr         May         Jun
## 2016 -2.38125000 -2.37291667  0.26875000 -0.68125000 -2.42291667  3.65208333
## 2017 -2.38125000 -2.37291667  0.26875000 -0.68125000 -2.42291667  3.65208333
## 2018 -2.38125000 -2.37291667  0.26875000 -0.68125000 -2.42291667  3.65208333
## 2019 -2.38125000 -2.37291667  0.26875000 -0.68125000 -2.42291667  3.65208333
## 2020 -2.38125000 -2.37291667  0.26875000 -0.68125000 -2.42291667  3.65208333
## 2021 -2.38125000 -2.37291667  0.26875000 -0.68125000 -2.42291667  3.65208333
##              Jul         Aug         Sep         Oct         Nov         Dec
## 2016  3.49375000  0.53541667  1.60208333  0.08541667 -0.21458333 -1.56458333
## 2017  3.49375000  0.53541667  1.60208333  0.08541667 -0.21458333 -1.56458333
## 2018  3.49375000  0.53541667  1.60208333  0.08541667 -0.21458333 -1.56458333
## 2019  3.49375000  0.53541667  1.60208333  0.08541667 -0.21458333 -1.56458333
## 2020  3.49375000  0.53541667  1.60208333  0.08541667 -0.21458333 -1.56458333
## 2021  3.49375000  0.53541667  1.60208333  0.08541667 -0.21458333 -1.56458333
plot(ts_decom_no2$seasonal)

ts_decom_no2$figure
##  [1] -2.38125000 -2.37291667  0.26875000 -0.68125000 -2.42291667  3.65208333
##  [7]  3.49375000  0.53541667  1.60208333  0.08541667 -0.21458333 -1.56458333
plot(ts_decom_no2$figure,
     type = 'b',
     xlab = 'Month',
     ylab = 'Seasonality Index',
     col = 'blue',
     las = 2
)

#adjustment decomposition data
ts_decom_adj_no2 <- decom_ts_no2 - ts_decom_no2$seasonal
plot(ts_decom_adj_no2)

ts_decom_adj_no2
##             Jan        Feb        Mar        Apr        May        Jun
## 2016  3.3812500  6.3729167  3.7312500  4.6812500  6.4229167 -0.6520833
## 2017  6.3812500  5.3729167  3.7312500  2.6812500  4.4229167  6.3479167
## 2018 11.3812500 10.3729167 14.7312500 14.6812500 15.4229167 12.3479167
## 2019 16.3812500 15.3729167 15.7312500 21.6812500 14.4229167 12.3479167
## 2020  6.3812500 10.3729167 10.7312500  7.6812500 11.4229167 16.3479167
## 2021 14.3812500 14.3729167 11.7312500 10.6812500 12.4229167 11.3479167
##             Jul        Aug        Sep        Oct        Nov        Dec
## 2016 -0.4937500  1.4645833  1.3979167  1.9145833  4.2145833  4.5645833
## 2017  8.5062500 17.4645833 22.3979167 21.9145833 17.2145833 14.5645833
## 2018 14.5062500 10.4645833 11.3979167 17.9145833 15.2145833 15.5645833
## 2019 10.5062500 11.4645833  6.3979167  3.9145833  8.2145833  6.5645833
## 2020 17.5062500 10.4645833 10.3979167  6.9145833  8.2145833 12.5645833
## 2021 13.5062500 10.4645833 11.3979167  9.9145833 13.2145833 10.5645833
descr(ts_decom_adj_no2)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -0.6521  6.3812 10.6229 10.3889 14.4437 22.3979
str(ts_decom_adj_no2)
##  Time-Series [1:72] from 2016 to 2022: 3.38 6.37 3.73 4.68 6.42 ...
df_data_no2 <- as.data.frame(ts_decom_adj_no2)
df_data_no2
##             x
## 1   3.3812500
## 2   6.3729167
## 3   3.7312500
## 4   4.6812500
## 5   6.4229167
## 6  -0.6520833
## 7  -0.4937500
## 8   1.4645833
## 9   1.3979167
## 10  1.9145833
## 11  4.2145833
## 12  4.5645833
## 13  6.3812500
## 14  5.3729167
## 15  3.7312500
## 16  2.6812500
## 17  4.4229167
## 18  6.3479167
## 19  8.5062500
## 20 17.4645833
## 21 22.3979167
## 22 21.9145833
## 23 17.2145833
## 24 14.5645833
## 25 11.3812500
## 26 10.3729167
## 27 14.7312500
## 28 14.6812500
## 29 15.4229167
## 30 12.3479167
## 31 14.5062500
## 32 10.4645833
## 33 11.3979167
## 34 17.9145833
## 35 15.2145833
## 36 15.5645833
## 37 16.3812500
## 38 15.3729167
## 39 15.7312500
## 40 21.6812500
## 41 14.4229167
## 42 12.3479167
## 43 10.5062500
## 44 11.4645833
## 45  6.3979167
## 46  3.9145833
## 47  8.2145833
## 48  6.5645833
## 49  6.3812500
## 50 10.3729167
## 51 10.7312500
## 52  7.6812500
## 53 11.4229167
## 54 16.3479167
## 55 17.5062500
## 56 10.4645833
## 57 10.3979167
## 58  6.9145833
## 59  8.2145833
## 60 12.5645833
## 61 14.3812500
## 62 14.3729167
## 63 11.7312500
## 64 10.6812500
## 65 12.4229167
## 66 11.3479167
## 67 13.5062500
## 68 10.4645833
## 69 11.3979167
## 70  9.9145833
## 71 13.2145833
## 72 10.5645833
# Konversi data menjadi data time series menggunakan data dekomposisi time series 
dataset_no2 <- decom_ts_no2
plot(dataset_no2)

ggtsdisplay(dataset_no2)

BoxCox.lambda(dataset_no2)
## [1] -0.2685921
# Membagi data menjadi data latih dan data uji
data_train_sarima_no2 <- head(dataset_no2, 5*12) # ambil data 5 tahun 2016-2020
data_test_sarima_no2 <- tail(dataset_no2, length(dataset_no2)-length(data_train_sarima_no2)) #ambil data 1 tahun terakhir
data_train_sarima_no2 %>% 
  decompose() %>% 
  autoplot()

plot(data_train_sarima_no2)

length(data_train_sarima_no2)
## [1] 60
length(data_test_sarima_no2)
## [1] 12

ii. Mengidentifikasi Diferensi

a. Mengidentifikasi Diferensi musiman order 1

data_train_sarima_ds_no2 <- diff(data_train_sarima_no2, differences = 1, lag = 12)
adf.test(data_train_sarima_ds_no2)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  data_train_sarima_ds_no2
## Dickey-Fuller = -3.0788, Lag order = 3, p-value = 0.1433
## alternative hypothesis: stationary

Dari hasil diatas bisa disimpulkan bahwa data belum stationer karena nilai p-value > 0,05 yaitu sebesar 0.1433.

b. Mengidentifikasi Diferensi non-musiman order 1

data_train_sarima_dss_no2 <- diff(data_train_sarima_ds_no2, differences = 1)
adf.test(data_train_sarima_dss_no2)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  data_train_sarima_dss_no2
## Dickey-Fuller = -3.589, Lag order = 3, p-value = 0.04407
## alternative hypothesis: stationary

Dari hasil diatas bisa disimpulkan bahwa data sudah stationer karena nilai p-value < 0,05 yaitu sebesar 0.04407.

iii. Mengidentifikasi kemungkinan model yang tepat

par(mfrow = c(2,1))
acf(data_train_sarima_dss_no2, lag.max = 36)
pacf(data_train_sarima_dss_no2, lag.max = 36)

data_train_sarima_dss_no2
##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2017      -4   1  -2   0   9   2   7   5  -1  -7  -3
## 2018  -5   0   6   1  -1  -5   0 -13  -4   7   2   3
## 2019   4   0  -4   6  -8   1  -4   5  -6  -9   7  -2
## 2020  -1   5   0  -9  11   7   3  -8   5  -1  -3   6

iv. Fit Model

Menentukan model prediksi yang terbaik yang dapat dilihat dari nilai performansi Akaike Information Criteria (AIC) dan nilai signifikan (p-value). Model yang lebih baik akan memiliki nilai AIC yang lebih rendah

a. Fit Model 1

# Fit Model 1
fitmodel1_no2 <- Arima (data_train_sarima_dss_no2,
                    order = c(1,1,0),
                    seasonal = c(0,0,1),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel1_no2)
## 
## z test of coefficients:
## 
##        Estimate Std. Error z value Pr(>|z|)   
## ar1   -0.404429   0.135260 -2.9900  0.00279 **
## sma1  -0.999764   0.705953 -1.4162  0.15672   
## drift  0.094743   0.322601  0.2937  0.76900   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel1_no2)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(1,1,0)(0,0,1)[12] with drift
## Q* = 19.645, df = 7, p-value = 0.00639
## 
## Model df: 2.   Total lags used: 9
ggtsdisplay(fitmodel1_no2$residuals)

summary(fitmodel1_no2)
## Series: data_train_sarima_dss_no2 
## ARIMA(1,1,0)(0,0,1)[12] with drift 
## 
## Coefficients:
##           ar1     sma1   drift
##       -0.4044  -0.9998  0.0947
## s.e.   0.1353   0.7060  0.3226
## 
## sigma^2 = 23.48:  log likelihood = -145.83
## AIC=299.65   AICc=300.63   BIC=306.97
## 
## Training set error measures:
##                      ME     RMSE      MAE MPE MAPE      MASE       ACF1
## Training set 0.05681869 4.634652 3.512256 NaN  Inf 0.4406055 -0.1520117
Box.test(residuals(fitmodel1_no2), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel1_no2)
## X-squared = 22.343, df = 12, p-value = 0.03385

Secara keseluruhan dari model telah memenuhi tingkat signifikasi dimana nilai p-value 0.00639 dimana nilai signifikan < 0,05 dan nilai AIC = 299.65. Sekarang kita akan lakukan fit model yang kedua dengan tujuan untuk mendapatkan nilai yang lebih baik.

b. Fit Model 2

# Fit Model 2
fitmodel2_no2 <- Arima (data_train_sarima_dss_no2,
                    order = c(2,2,0),
                    seasonal = c(1,0,2),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel2_no2)
## 
## z test of coefficients:
## 
##       Estimate Std. Error z value  Pr(>|z|)    
## ar1  -0.894869   0.121637 -7.3569 1.883e-13 ***
## ar2  -0.577335   0.128589 -4.4898 7.130e-06 ***
## sar1 -0.333085   1.146925 -0.2904    0.7715    
## sma1 -0.563522   1.029222 -0.5475    0.5840    
## sma2 -0.030923   1.145186 -0.0270    0.9785    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel2_no2)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,0)(1,0,2)[12]
## Q* = 10.766, df = 4, p-value = 0.02932
## 
## Model df: 5.   Total lags used: 9
ggtsdisplay(fitmodel2_no2$residuals)

summary(fitmodel2_no2)
## Series: data_train_sarima_dss_no2 
## ARIMA(2,2,0)(1,0,2)[12] 
## 
## Coefficients:
##           ar1      ar2     sar1     sma1     sma2
##       -0.8949  -0.5773  -0.3331  -0.5635  -0.0309
## s.e.   0.1216   0.1286   1.1469   1.0292   1.1452
## 
## sigma^2 = 43.6:  log likelihood = -151.85
## AIC=315.69   AICc=317.9   BIC=326.53
## 
## Training set error measures:
##                       ME     RMSE      MAE MPE MAPE      MASE       ACF1
## Training set -0.05168227 6.091461 4.973503 NaN  Inf 0.6239161 -0.2321937
Box.test(residuals(fitmodel2_no2), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel2_no2)
## X-squared = 11.941, df = 12, p-value = 0.4504

Berdasarkan fit model yang ke 2 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.02932 dimana nilai signifikan < 0,05 dan nilai AIC 315.69. Kita akan lanjutkan melakukan fit model yang ke 3.

c. Fit Model 3

# Fit Model 3
fitmodel3_no2 <- Arima (data_train_sarima_dss_no2,
                    order = c(2,2,0),
                    seasonal = c(2,0,2),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel3_no2)
## 
## z test of coefficients:
## 
##      Estimate Std. Error z value  Pr(>|z|)    
## ar1  -0.89649    0.13316 -6.7325 1.668e-11 ***
## ar2  -0.57594    0.13465 -4.2772 1.893e-05 ***
## sar1 -1.16826   20.50446 -0.0570    0.9546    
## sar2 -0.27354    6.55188 -0.0417    0.9667    
## sma1  0.27901   20.54530  0.0136    0.9892    
## sma2 -0.49439   11.66887 -0.0424    0.9662    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel3_no2)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,0)(2,0,2)[12]
## Q* = 10.706, df = 3, p-value = 0.01343
## 
## Model df: 6.   Total lags used: 9
ggtsdisplay(fitmodel3_no2$residuals)

summary(fitmodel3_no2)
## Series: data_train_sarima_dss_no2 
## ARIMA(2,2,0)(2,0,2)[12] 
## 
## Coefficients:
##           ar1      ar2     sar1     sar2     sma1     sma2
##       -0.8965  -0.5759  -1.1683  -0.2735   0.2790  -0.4944
## s.e.   0.1332   0.1347  20.5045   6.5519  20.5453  11.6689
## 
## sigma^2 = 45:  log likelihood = -151.85
## AIC=317.69   AICc=320.72   BIC=330.34
## 
## Training set error measures:
##                       ME     RMSE      MAE MPE MAPE     MASE       ACF1
## Training set -0.05015281 6.110959 4.991174 NaN  Inf 0.626133 -0.2317586
Box.test(residuals(fitmodel3_no2), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel3_no2)
## X-squared = 11.843, df = 12, p-value = 0.4584

Berdasarkan fit model yang ke 3 didapatkan bahwa model telah memenuhi taraf signifikasi dengan nilai p-value 0.01343 dimana nilai signifikan < 0,05 dan nilai AIC = 317.69.

d. Menentukan model terbaik dengan auto.arima

# Menentukan model terbaik
modelautoarima_no2 <- auto.arima(
  data_train_sarima_dss_no2,
  stepwise = FALSE,
  approximation = FALSE,
  trace = TRUE)
## 
##  ARIMA(0,0,0)            with zero mean     : 292.8971
##  ARIMA(0,0,0)            with non-zero mean : 295.0742
##  ARIMA(0,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,0)(1,0,0)[12] with zero mean     : 281.9129
##  ARIMA(0,0,0)(1,0,0)[12] with non-zero mean : 284.1668
##  ARIMA(0,0,0)(1,0,1)[12] with zero mean     : 280.8414
##  ARIMA(0,0,0)(1,0,1)[12] with non-zero mean : 283.156
##  ARIMA(0,0,1)            with zero mean     : 294.8726
##  ARIMA(0,0,1)            with non-zero mean : 297.1509
##  ARIMA(0,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,1)(1,0,0)[12] with zero mean     : 284.1549
##  ARIMA(0,0,1)(1,0,0)[12] with non-zero mean : 286.5195
##  ARIMA(0,0,1)(1,0,1)[12] with zero mean     : 283.1761
##  ARIMA(0,0,1)(1,0,1)[12] with non-zero mean : 285.6123
##  ARIMA(0,0,2)            with zero mean     : 296.6239
##  ARIMA(0,0,2)            with non-zero mean : 299.0082
##  ARIMA(0,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,2)(1,0,0)[12] with zero mean     : 285.0358
##  ARIMA(0,0,2)(1,0,0)[12] with non-zero mean : 287.4642
##  ARIMA(0,0,2)(1,0,1)[12] with zero mean     : 284.038
##  ARIMA(0,0,2)(1,0,1)[12] with non-zero mean : 286.4056
##  ARIMA(0,0,3)            with zero mean     : 298.8697
##  ARIMA(0,0,3)            with non-zero mean : 301.3704
##  ARIMA(0,0,3)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,3)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,3)(1,0,0)[12] with zero mean     : 287.4816
##  ARIMA(0,0,3)(1,0,0)[12] with non-zero mean : 290.0123
##  ARIMA(0,0,3)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,3)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,4)            with zero mean     : 297.9477
##  ARIMA(0,0,4)            with non-zero mean : Inf
##  ARIMA(0,0,4)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(0,0,4)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(0,0,4)(1,0,0)[12] with zero mean     : 288.1825
##  ARIMA(0,0,4)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(0,0,5)            with zero mean     : 297.8451
##  ARIMA(0,0,5)            with non-zero mean : Inf
##  ARIMA(1,0,0)            with zero mean     : 294.9098
##  ARIMA(1,0,0)            with non-zero mean : 297.1882
##  ARIMA(1,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,0)(1,0,0)[12] with zero mean     : 284.1688
##  ARIMA(1,0,0)(1,0,0)[12] with non-zero mean : 286.533
##  ARIMA(1,0,0)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,0)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,1)            with zero mean     : Inf
##  ARIMA(1,0,1)            with non-zero mean : Inf
##  ARIMA(1,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,1)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(1,0,1)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(1,0,1)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,1)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)            with zero mean     : Inf
##  ARIMA(1,0,2)            with non-zero mean : Inf
##  ARIMA(1,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(1,0,2)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(1,0,2)(1,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,2)(1,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,3)            with zero mean     : Inf
##  ARIMA(1,0,3)            with non-zero mean : Inf
##  ARIMA(1,0,3)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(1,0,3)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(1,0,3)(1,0,0)[12] with zero mean     : 290.076
##  ARIMA(1,0,3)(1,0,0)[12] with non-zero mean : 292.7445
##  ARIMA(1,0,4)            with zero mean     : 299.3017
##  ARIMA(1,0,4)            with non-zero mean : Inf
##  ARIMA(2,0,0)            with zero mean     : 296.7954
##  ARIMA(2,0,0)            with non-zero mean : 299.1812
##  ARIMA(2,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,0)(1,0,0)[12] with zero mean     : 285.4291
##  ARIMA(2,0,0)(1,0,0)[12] with non-zero mean : 287.8769
##  ARIMA(2,0,0)(1,0,1)[12] with zero mean     : 284.5322
##  ARIMA(2,0,0)(1,0,1)[12] with non-zero mean : 286.9957
##  ARIMA(2,0,1)            with zero mean     : 299.1107
##  ARIMA(2,0,1)            with non-zero mean : 301.614
##  ARIMA(2,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,1)(1,0,0)[12] with zero mean     : 287.5907
##  ARIMA(2,0,1)(1,0,0)[12] with non-zero mean : 290.1614
##  ARIMA(2,0,1)(1,0,1)[12] with zero mean     : 287.0089
##  ARIMA(2,0,1)(1,0,1)[12] with non-zero mean : 289.6242
##  ARIMA(2,0,2)            with zero mean     : Inf
##  ARIMA(2,0,2)            with non-zero mean : Inf
##  ARIMA(2,0,2)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(2,0,2)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(2,0,2)(1,0,0)[12] with zero mean     : Inf
##  ARIMA(2,0,2)(1,0,0)[12] with non-zero mean : Inf
##  ARIMA(2,0,3)            with zero mean     : Inf
##  ARIMA(2,0,3)            with non-zero mean : Inf
##  ARIMA(3,0,0)            with zero mean     : 299.1355
##  ARIMA(3,0,0)            with non-zero mean : 301.6391
##  ARIMA(3,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(3,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(3,0,0)(1,0,0)[12] with zero mean     : 287.647
##  ARIMA(3,0,0)(1,0,0)[12] with non-zero mean : 290.2242
##  ARIMA(3,0,0)(1,0,1)[12] with zero mean     : 287.1267
##  ARIMA(3,0,0)(1,0,1)[12] with non-zero mean : 289.7382
##  ARIMA(3,0,1)            with zero mean     : 301.601
##  ARIMA(3,0,1)            with non-zero mean : 304.2304
##  ARIMA(3,0,1)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(3,0,1)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(3,0,1)(1,0,0)[12] with zero mean     : 290.1259
##  ARIMA(3,0,1)(1,0,0)[12] with non-zero mean : 292.8362
##  ARIMA(3,0,2)            with zero mean     : 297.3577
##  ARIMA(3,0,2)            with non-zero mean : Inf
##  ARIMA(4,0,0)            with zero mean     : 300.8658
##  ARIMA(4,0,0)            with non-zero mean : 303.4937
##  ARIMA(4,0,0)(0,0,1)[12] with zero mean     : Inf
##  ARIMA(4,0,0)(0,0,1)[12] with non-zero mean : Inf
##  ARIMA(4,0,0)(1,0,0)[12] with zero mean     : 288.9828
##  ARIMA(4,0,0)(1,0,0)[12] with non-zero mean : 291.6644
##  ARIMA(4,0,1)            with zero mean     : 300.352
##  ARIMA(4,0,1)            with non-zero mean : Inf
##  ARIMA(5,0,0)            with zero mean     : 297.6021
##  ARIMA(5,0,0)            with non-zero mean : 300.3619
## 
## 
## 
##  Best model: ARIMA(0,0,0)(1,0,1)[12] with zero mean
modelautoarima_no2
## Series: data_train_sarima_dss_no2 
## ARIMA(0,0,0)(1,0,1)[12] with zero mean 
## 
## Coefficients:
##          sar1     sma1
##       -0.1221  -0.7227
## s.e.   0.3320   0.6171
## 
## sigma^2 = 16.75:  log likelihood = -137.14
## AIC=280.28   AICc=280.84   BIC=285.83
Box.test(residuals(modelautoarima_no2), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(modelautoarima_no2)
## X-squared = 10.695, df = 12, p-value = 0.5552

e. Fit Model 4

# Fit Model 4
fitmodel4_no2 <- Arima (data_train_sarima_dss_no2,
                    order = c(1,0,1),
                    seasonal = c(1,0,3),
                    lambda = NULL,
                    include.constant = TRUE)
coeftest(fitmodel4_no2)
## 
## z test of coefficients:
## 
##            Estimate Std. Error z value Pr(>|z|)    
## ar1       -0.850894   0.102328 -8.3154   <2e-16 ***
## ma1        0.999976   0.086691 11.5350   <2e-16 ***
## sar1       0.376876   1.627458  0.2316   0.8169    
## sma1      -1.365820   2.370840 -0.5761   0.5646    
## sma2       0.746711   2.276060  0.3281   0.7429    
## sma3       0.137295   0.929872  0.1476   0.8826    
## intercept -0.125585   0.363703 -0.3453   0.7299    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
checkresiduals(fitmodel4_no2)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(1,0,1)(1,0,3)[12] with non-zero mean
## Q* = 7.9835, df = 3, p-value = 0.04635
## 
## Model df: 6.   Total lags used: 9
ggtsdisplay(fitmodel4_no2$residuals)

summary(fitmodel4_no2)
## Series: data_train_sarima_dss_no2 
## ARIMA(1,0,1)(1,0,3)[12] with non-zero mean 
## 
## Coefficients:
##           ar1     ma1    sar1     sma1    sma2    sma3     mean
##       -0.8509  1.0000  0.3769  -1.3658  0.7467  0.1373  -0.1256
## s.e.   0.1023  0.0867  1.6275   2.3708  2.2761  0.9299   0.3637
## 
## sigma^2 = 13.58:  log likelihood = -136.2
## AIC=288.41   AICc=292.2   BIC=303.21
## 
## Training set error measures:
##                      ME     RMSE      MAE MPE MAPE      MASE        ACF1
## Training set 0.03178636 3.399562 2.591262 NaN  Inf 0.3250687 -0.02772685
Box.test(residuals(fitmodel4_no2), lag = 12, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  residuals(fitmodel4_no2)
## X-squared = 8.7787, df = 12, p-value = 0.7217

Berdasarkan fit model yang ke 4 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.04635 dimana nilai signifikan < 0,05 dan nilai AIC = 288.41.

hasil_df_no2 <- data.frame(
  id = c(1:5),
  Model = c("Model1(1,1,0)(0,0,1)", "Model2(2,2,0)(1,0,2)", "Model3(2,2,0)(2,0,2)", "Model4(1,0,1)(1,0,3)","AutoArima(0,0,0)(1,0,1)"),
  AIC = c(fitmodel1_no2$aic, fitmodel2_no2$aic, fitmodel3_no2$aic, fitmodel4_no2$aic, modelautoarima_no2$aic),
  BIC = c(fitmodel1_no2$bic, fitmodel2_no2$bic, fitmodel3_no2$bic, fitmodel4_no2$bic, modelautoarima_no2$bic),
   stringsAsFactors = FALSE
)
hasil_df_no2
##   id                   Model      AIC      BIC
## 1  1    Model1(1,1,0)(0,0,1) 299.6538 306.9683
## 2  2    Model2(2,2,0)(1,0,2) 315.6924 326.5324
## 3  3    Model3(2,2,0)(2,0,2) 317.6908 330.3374
## 4  4    Model4(1,0,1)(1,0,3) 288.4077 303.2089
## 5  5 AutoArima(0,0,0)(1,0,1) 280.2833 285.8337

Berdasarkan modelautoarima didapatkan model (0,0,0)(1,0,1) dengan nilai AIC = 280.23. Sehingga dapat disimpulkan bahwa performa fitmodel1 dengan nilai AIC = 299.65, fitmodel2 dengan nilai AIC = 315.69 dan fitmodel3 dengan nilai AIC = 317.69, dan fitmodel4 dengan nilai AIC 288.41. Berdasarkan kelima model tersebut, maka perfomansi model AutoArima yang terbaik yaitu model (0,0,0)(1,0,1) dengan nilai AIC sebesar 280.28 dan nilai p-value untuk keseluruhan signitifkan.

v. Forecasting dengan data latih

# Menggunakan fitmodel4
fcast_no2 <- forecast(modelautoarima_no2, h=12)
fcast_no2
##          Point Forecast      Lo 80      Hi 80      Lo 95     Hi 95
## Jan 2021    -0.04660407  -5.408030  5.3148224  -8.246198  8.152990
## Feb 2021    -3.48276629  -8.786306  1.8207729 -11.593830  4.628297
## Mar 2021     0.05943966  -5.244100  5.3629789  -8.051624  8.170503
## Apr 2021     4.04230665  -1.261233  9.3458459  -4.068757 12.153370
## May 2021    -4.29400861  -9.597548  1.0095306 -12.405072  3.817055
## Jun 2021    -5.92393829 -11.227478 -0.6203991 -14.035002  2.187125
## Jul 2021    -0.56891920  -5.872458  4.7346200  -8.679982  7.542144
## Aug 2021     7.02328441   1.719745 12.3268236  -1.087779 15.134348
## Sep 2021    -0.24699504  -5.550534  5.0565442  -8.358058  7.864068
## Oct 2021     3.54670117  -1.756838  8.8502404  -4.564362 11.657764
## Nov 2021    -0.97569061  -6.279230  4.3278486  -9.086754  7.135373
## Dec 2021    -4.34011685  -9.643656  0.9634224 -12.451180  3.770946
autoplot(fcast_no2)

# Menggunakan fitmodel4
fcast_no2_2 <- forecast(fitmodel4_no2, h=12)
fcast_no2_2
##          Point Forecast       Lo 80      Hi 80      Lo 95     Hi 95
## Jan 2021     -1.0177424  -6.5097479  4.4742632  -9.417040  7.381555
## Feb 2021     -4.2977438  -9.8192321  1.2237445 -12.742131  4.146644
## Mar 2021      1.1817664  -4.3714580  6.7349909  -7.311157  9.674690
## Apr 2021      4.4436675  -1.1323390 10.0196740  -4.084098 12.971434
## May 2021     -5.9911438 -11.5834729 -0.3988148 -14.543873  2.561585
## Jun 2021     -4.6614975 -10.2654574  0.9424624 -13.232015  3.909020
## Jul 2021     -0.9582489  -6.5703978  4.6539000  -9.541290  7.624792
## Aug 2021      4.8186473  -0.7991237 10.4364183  -3.772992 13.410287
## Sep 2021     -1.4133995  -7.0348243  4.2080252 -10.010627  7.183828
## Oct 2021      3.6975755  -1.9259226  9.3210736  -4.902823 12.297974
## Nov 2021     -1.3197145  -6.9439254  4.3044963  -9.921203  7.281774
## Dec 2021     -4.4536076 -10.0772461  1.1700308 -13.054220  4.147005
autoplot(fcast_no2_2)

# membuat prediksi untuk data uji dengan menggunakan model terbaik
predictSarima_no2 <- predict(fcast_no2, data_test_sarima_no2)
autoplot(predictSarima_no2)

# visualisasi hasil forecast dari model multiplicative
data_test_sarima_no2 %>% 
  autoplot()+
  autolayer(modelautoarima_no2$fitted, series = "Auto-Arima(0,0,3)(1,0,0)")+
  autolayer(data_test_sarima_no2, series = "data test") +
  autolayer(fitmodel1_no2$fitted, series = "Model-1(1,1,0)(0,0,1)")+
  autolayer(fitmodel2_no2$fitted, series = "Model-2(2,2,0)(1,0,2)")+
  autolayer(fitmodel3_no2$fitted, series = "Model-3(2,2,0)(2,0,2)")+
  autolayer(fitmodel4_no2$fitted, series = "Model-4(1,0,1)(1,0,3)")+
  autolayer(predictSarima_no2$mean, series = "forecast")

vi. Evaluasi Model

# Mean squared error (MSE)
MSESarima_no2 <- mean((data_test_sarima_no2 - predictSarima_no2$mean)^2)
MSESarima_no2
## [1] 176.6605
# Root mean squared error (RMSE)
RMSESarima_no2 <- sqrt(MSESarima_no2)
RMSESarima_no2
## [1] 13.29137
# Mean absolute error (MAE)
MAESarima_no2 <- mean(abs(data_test_sarima_no2 - predictSarima_no2$mean))
MAESarima_no2
## [1] 12.43394
# Mean absolute percentage error (MAPE)
MAPESarima_no2 <- mean(abs(data_test_sarima_no2 - predictSarima_no2$mean) / data_test_sarima_no2)
MAPESarima_no2
## [1] 1.027155